|
|
# Курс "Нейронные сети и глубокое обучение" Самарского университета
|
|
|
Лектор Артем Владимирович Никоноров, д.т.н., artniko@gmail.com
|
|
|
Ассистент Виктория Витальевна Евдокимова, аспирант Самарского университета, data.science.sbj@gmail.com
|
|
|
|
|
|
|
|
|
Курс основывается на предыдущих более обзорных лекциях и туториалах по глубокому обучению и его приложениях, в частности, вот [небольшая обзорная лекция](https://youtu.be/Gpq1PFUee88) в Кавказском Математическом Центре. Также во многом этот курс является адаптацией известнейшего курса http://cs231n.stanford.edu/
|
|
|
|
|
|
## 6235 - Зачет и экзамен (январь 2021).
|
|
|
|
|
|
Зачет по лабораторным 25.12.20 с 11.30, подробности в чате в личном кабинете.
|
|
|
Консультация в 10-00 25 января 2021 в zoom, ссылка будет позднее.
|
|
|
Экзамен 26 января 2021.
|
|
|
|
|
|
[Вопросы.](https://github.com/da0c/DL_Course_SamU/blob/master/Exams_2021/DL_Exam.pdf)
|
|
|
[Примеры задач.](https://github.com/da0c/DL_Course_SamU/blob/master/Exams_2021/MidTerm.pdf)
|
|
|
|
|
|
## График проведения курса 2020-2021.
|
|
|
**Лекционный курс закончен, видеозаписи 2020-21 годов приведены ниже.**
|
|
|
|
|
|
Телеграмм группа курса:
|
|
|
https://t.me/DL_SamU_2020
|
|
|
|
|
|
Лекции раз в две недели по понедельникам.
|
|
|
Продолжительность лекции два астрономических часа.
|
|
|
|
|
|
[Видеозапись первой лекции](https://www.youtube.com/watch?v=BKG1wEATYOU)
|
|
|
|
|
|
|
|
|
## Лекционный план 2020-2021
|
|
|
|
|
|
**Лекция 1. Классификация, основанная на данных**
|
|
|
[Видеозапись лекции 14.09.2020](https://www.youtube.com/watch?v=BKG1wEATYOU)
|
|
|
Введение в курс.
|
|
|
Задача классификации изображений.
|
|
|
Подходы основанные на данных.
|
|
|
Линейная классификация и knn-классификатор.
|
|
|
|
|
|
[Презентация к лекции 1](https://github.com/da0c/DL_Course_SamU/blob/master/lections/Lection_1_ImClass.pdf)
|
|
|
|
|
|
**Лекция 2. Функции потерь и оптимизация.**
|
|
|
[Видеозапись лекции 28.09.2020](https://www.youtube.com/watch?v=3uOIqTNclPA)
|
|
|
Мультиклассовый SVM и его функция потерь.
|
|
|
Софтмакс и мультимодальная логистическая регрессия.
|
|
|
Оптимизация функции потерь.
|
|
|
Стохастический градиентный спуск (SGD).
|
|
|
|
|
|
[Презентация к лекции 2](https://github.com/da0c/DL_Course_SamU/blob/master/lections/Lection_1_SGD.pdf)
|
|
|
|
|
|
**Лекция 3. Нейронные сети и обратное распространение ошибки.**
|
|
|
[Видеозапись лекции 28.09.2020](https://www.youtube.com/watch?v=3uOIqTNclPA)
|
|
|
Классификация с точки зрения нейронной сети.
|
|
|
Многослойный перцептрон.
|
|
|
Представление сети в виде вычислительного графа.
|
|
|
Алгоритм обратного распространения ошибки на вычислительном графе.
|
|
|
|
|
|
[Презентация к лекции 3](https://github.com/da0c/DL_Course_SamU/blob/master/lections/Lection_1_BP.pdf)
|
|
|
|
|
|
**Лекция 4. Сверточные сети (СНС).**
|
|
|
История.
|
|
|
Основные операции СНС.
|
|
|
Применение СНС вне задач машинного зрения.
|
|
|
|
|
|
[Презентация к лекции 4](https://github.com/da0c/DL_Course_SamU/blob/master/lections/Lecture_4_CNN1.pdf)
|
|
|
|
|
|
**Лекция 5. Инструментарий глубокого обучения.**
|
|
|
[Видеозапись лекции 30.10.2020](https://www.youtube.com/watch?v=E0F11tV92sU&feature=youtu.be)
|
|
|
CPU vs GPU vs TPU.
|
|
|
Пакеты глубокого обучения, Tensorflow, Keras и другие.
|
|
|
Вычислительные графы СНС.
|
|
|
|
|
|
[Презентация к лекции 5](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_5_Tools.pdf)
|
|
|
|
|
|
**Лекция 6. Обучение СНС, часть 1.**
|
|
|
|
|
|
[Видеозапись лекции 09.11.2020](https://youtu.be/0pHAWXmDnIM)
|
|
|
|
|
|
Активационные функции, обработка данных сетью.
|
|
|
Пакетная нормализация и другие трюки.
|
|
|
Transfer learning.
|
|
|
|
|
|
[Презентация к лекции 6](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_6_Training1.pdf)
|
|
|
|
|
|
**Лекция 7. Обучение СНС, часть 2.**
|
|
|
|
|
|
[Видеозапись лекции 23.11.2020](https://youtu.be/1ypE6fz5zXo)
|
|
|
|
|
|
Политики обновления гиперпараметров.
|
|
|
Тюнинг процесса обучения.
|
|
|
Аугментация данных.
|
|
|
|
|
|
[Презентация к лекции 7](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_7_Training2.pdf)
|
|
|
|
|
|
**Лекция 8. Архитектуры СНС**
|
|
|
|
|
|
[Видеозапись лекции 07.12.2020](https://youtu.be/07AcZgtoipc)
|
|
|
|
|
|
Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие.
|
|
|
|
|
|
[Презентация к лекции 8](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_8_Arch.pdf)
|
|
|
|
|
|
**Лекция 9. Генеративные и рекуррентные модели**
|
|
|
|
|
|
[Видеозапись лекции 23.12.2020](https://youtu.be/XWd6XYPVYdM)
|
|
|
|
|
|
1. RNN/LSTM.
|
|
|
Механизм attention.
|
|
|
Обработка естественного языка.
|
|
|
|
|
|
[Презентация к лекции 9.1](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_9_1.pdf)
|
|
|
|
|
|
2. GAN сети.
|
|
|
|
|
|
[Презентация к лекции 9.2](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_9_2.pdf)
|
|
|
|
|
|
3. Детектирование и сегментация.
|
|
|
|
|
|
[Презентация к лекции 9.3](https://github.com/da0c/DL_Course_SamU/blob/master/lections/lecture_9_3.pdf)
|
|
|
|
|
|
|
|
|
**Лекция 10. Нейростевые модели и искусственный интеллект**
|
|
|
|
|
|
[Видеозапись лекции 10, 18.01.2021](https://youtu.be/409okL3L6CY)
|
|
|
|
|
|
|
|
|
## План лабораторных работ.
|
|
|
|
|
|
План может меняться в процессе курса.
|
|
|
|
|
|
**Л.Р. 1**
|
|
|
kNN, многоклассовый SVM, SoftMax.
|
|
|
[Материалы к лабораторной](https://github.com/da0c/DL_Course_SamU/blob/master/lab_1-2/assignment1.ipynb).
|
|
|
|
|
|
**Л.Р. 2**
|
|
|
Двухслойная сеть.
|
|
|
[Материалы к лабораторной](https://github.com/da0c/DL_Course_SamU/blob/master/lab_1-2/assignment2.ipynb).
|
|
|
|
|
|
**Л.Р. 3**
|
|
|
Многослойный перцептрон, обратное распространение ошибки, сверточные сети.
|
|
|
[Материалы к лабораторной](https://github.com/da0c/DL_Course_SamU/blob/master/lab_3/assignment3.ipynb).
|
|
|
|
|
|
**Л.Р. 4**
|
|
|
Использование библиотеки Tensorflow для обучения СНС.
|
|
|
[Материалы к лабораторной](https://github.com/da0c/DL_Course_SamU/blob/master/lab_4/assignment4.ipynb).
|
|
|
|
|
|
**Л.Р. 5**
|
|
|
Решение прикладной задачи с применением СНС.
|
|
|
|
|
|
Задание на Л.Р. 5:
|
|
|
1) Определите задачу.
|
|
|
2) Предложите ее решение на основе СНС.
|
|
|
3) Реализуйте предложенное решение с использованием библиотеки глубокого обучения (например, Tensorflow).
|
|
|
4) Опишите результаты работы в виде статьи по шаблону конференции [ИТНТ](http://itnt-conf.org/index.php/materialy/shablony).
|
|
|
|
|
|
|
|
|
Интересные задачи можно найти в сборниках следующих конференций:
|
|
|
[CVPR: IEEE Conference on Computer Vision and Pattern Recognition](https://openaccess.thecvf.com/CVPR2019)
|
|
|
[ICCV: International Conference on Computer Vision](https://openaccess.thecvf.com/ICCV2019)
|
|
|
[ECCV: European Conference on Computer Vision](https://openaccess.thecvf.com/ECCV2018)
|
|
|
или на сайте [Kaggle](https://www.kaggle.com/) .
|
|
|
|
|
|
|
|
|
|
|
|
## Литература и дополнительные источники
|
|
|
|
|
|
1. Отличная книга на русском по глубокому обучению -
|
|
|
[С. И. Николенко, А. Кадурин, Е. В. Архангельская, Глубокое обучение. Погружение в мир нейронных сетей. 2018](https://www.ozon.ru/context/detail/id/154415719/)
|
|
|
2. Отличная книга по техническим аспектам реализации на Python -
|
|
|
[Шолле Франсуа, Глубокое обучение на Python](https://www.ozon.ru/context/detail/id/145615583/)
|
|
|
|
|
|
3. [Лекционный курс К.В. Воронцова по машинному обучению](http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2%29).
|
|
|
4. [Видеолекция академика Ю.И. Журавлева](https://www.youtube.com/watch?v=R3CMqrrIWOk) об истоках машинного обучения в СССР и о сочетании эвристики и науки в распознавании образов.
|
|
|
5. Видеолекции С.И. Николенко по GAN сетям [1](https://www.youtube.com/watch?v=SlJgPIOlpiI), [2](https://www.youtube.com/watch?v=w38m5mTrG_M&t=1147s).
|
|
|
Хорошая проверка ваших знаний, на выходе из настоящего курса вы должны полностью понимать то, что говорится в этих лекциях по GAN.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|