From ddb3eea102d52b27042d5e486a1a0c855e49d416 Mon Sep 17 00:00:00 2001
From: Artem Nikonorov <artniko@gmail.com>
Date: Tue, 10 Sep 2024 15:45:08 +0400
Subject: [PATCH] Update README.md

---
 README.md | 52 +++++++++++++++++++++++++++++++---------------------
 1 file changed, 31 insertions(+), 21 deletions(-)

diff --git a/README.md b/README.md
index 59e5a26..3276365 100644
--- a/README.md
+++ b/README.md
@@ -34,14 +34,15 @@ https://t.me/+Ce9a_zQqPTI5MTJi
 
 ## Лекционный план 2024  
 
-**Часть первая. Введение в глубокое обучение.**   
+**Часть первая. Вводные лекции, в том числе для самостоятельного изучения.**   
   
-**Лекции 1,2. Классификация, основанная на данных**   
+**Лекции 1. Введение в искусственные нейронные сети.**   
 
-Введение в курс.  
-Задача классификации изображений.  
+Введение в курс и краткая история вопроса.  
+Примеры решения задач на базе искусственных нейронных сетей.   
 Подходы основанные на данных.  
-Основные идеи - От MLP до CNN.
+Задачи технического зрения и предиктивной диагностики БАС.  
+**Дополнительный материал:** Основные идеи - От MLP до CNN.  
 
 [Видеозапись первой части](https://youtu.be/pruCadZdhmQ)  
 [Видеозапись второй части](https://youtu.be/bsdpRfQM-O8)  
@@ -51,7 +52,7 @@ https://t.me/+Ce9a_zQqPTI5MTJi
 
 **Часть вторая. Основы глубокого обучения.**   
   
-**Лекция 3. Функции потерь и оптимизация.**  
+**Лекция 2. Основы построения и применения искусственных нейронных сетей. Математическая формализация нейросетевого подхода.**  
 
 Мультиклассовый SVM и его функция потерь.  
 Софтмакс и мультимодальная логистическая регрессия.  
@@ -63,7 +64,7 @@ https://t.me/+Ce9a_zQqPTI5MTJi
 [Презентация к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3_SGD_22.pdf)  
 [Python-ноутбук к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3.ipynb)  
 
-**Лекция 4. Нейронные сети и обратное распространение ошибки.**  
+**Лекция 3. Обучение нейронных сетей на основе обратного распространения ошибки.**  
  
 Классификация с точки зрения нейронной сети.  
 Многослойный перцептрон.  
@@ -76,15 +77,16 @@ https://t.me/+Ce9a_zQqPTI5MTJi
 
 [Презентация к лекции 4](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_4_BP_22.pdf)  
 
-**Лекция 5. Сверточные сети (СНС).**  
+**Лекция 4. Сверточные нейронные сети (СНС).**  
 История.  
 Основные операции СНС.  
+Применение СНС для решения задач технического зрения и предиктивной диагностики БАС.  
 Применение СНС вне задач машинного зрения.  
 Разбор задач к самостоятельной: расчет выхода сверточной сети.  
 
 [Презентация к лекции 5](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_5_CNN_22.pdf)  
   
-**Лекция 6. Инструментарий глубокого обучения.**  
+**Лекция 5. Инструментарий глубокого обучения.**  
 CPU vs GPU vs TPU.  
 Пакеты глубокого обучения, Tensorflow, Keras и другие.  
 Вычислительные графы СНС.    
@@ -98,7 +100,7 @@ CPU vs GPU vs TPU.
 Три задачи из лекций 2-5.  
 **Внимание:** участие в самостоятельной, как и сдача лабораторных, необходимое условие для допуска к экзамену.  
 
-**Лекция 7. Обучение СНС, часть 1.**  
+**Лекция 6.1. Обучение СНС, часть 1.**  
 
 Активационные функции, обработка данных сетью.  
 Пакетная нормализация и другие трюки.  
@@ -109,20 +111,21 @@ Transfer learning.
 [Презентация к лекции 7](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_7_Training1_22.pdf)  
 
 
-**Лекция 8. Обучение СНС, часть 2.**  
+**Лекция 6.2. Обучение СНС, часть 2.**  
 
 Политики обновления гиперпараметров.  
 Тюнинг процесса обучения.
-Аугментация данных.  
+Вопросы регуляризации и аугментации данных.  
   
 [Видеозапись восьмой лекции](https://youtu.be/X77_BhagkJ0)  
   
 [Презентация к лекции 8](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_8_Training2_22.pdf)  
 
 
-**Лекция 9. Архитектуры СНС**  
+**Лекция 7. Базовые архитектуры СНС**  
 
-Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие.  
+Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие. 
+Основные архитектуры для решения задач технического зрения и предиктивной аналитики БАС.  
   
 [Видеозапись девятой лекции](https://youtu.be/ihkqOdUQsmo)  
   
@@ -132,14 +135,20 @@ Transfer learning.
 
 **Часть третья. Дополнительные главы**
 
-**Лекция 10. Трансформерные архитектуры**  
+**Лекция 8. Трансформерные архитектуры**  
+
+
+Сети-трансформеры.  
+Механизм внимания.  
+ViT-модели.  
+Применение в задачах технического зрения, анализа видео, интеллектуальной эксплуатации технических систем в том числе БАС.  
   
 [Видеозапись десятой лекции](https://youtu.be/LjZxH6jGk-E)  
   
 [Презентация к лекции 10](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_10_Transfomers_22.pdf)  
 
 
-
+**Самостоятельное изучение**  
 **Лекция 11. Генеративные и рекуррентные модели**  
 
 
@@ -147,15 +156,16 @@ Transfer learning.
 Механизм attention.
 Обработка естественного языка.
 
-2. GAN сети.
+2. GAN сети и другие генеративные порходы.  
 
 3. Детектирование и сегментация.
 
 **Лекция 12. SOTA модели**  
-Трансформеры   
-Zero shot подходы  
-Метаобучение  
-Федеративное обучение  
+
+Zero shot подходы.  
+Метаобучение.  
+Федеративное обучение. 
+Диффузные модели и мосты Шредингера.