Курс "Нейронные сети и глубокое обучение" Самарского Университета
You cannot select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 
Viktoria Kutikova fb998392d8 update readme 2 years ago
Exams_2021 Add files via upload 4 years ago
lab_1-2 add lab_4 4 years ago
lab_3 add lab_3 4 years ago
lab_4 update assignment4 4 years ago
lections Add files via upload 4 years ago
LICENSE Initial commit 4 years ago
README.md update readme 2 years ago
lab_schedule_1143.md update readme 2 years ago
lab_schedule_6231_6233.md update readme 2 years ago

README.md

Курс "Нейронные сети и глубокое обучение" Самарского университета

Лектор Артем Владимирович Никоноров, д.т.н., artniko@gmail.com
Ассистенты: Виктория Витальевна Евдокимова, Никита Александрович Фирсов

Телеграмм группа курса: https://t.me/DL_SamU_2022

Курс основывается на предыдущих более обзорных лекциях и туториалах по глубокому обучению и его приложениях, в частности, вот небольшая обзорная лекция в Кавказском Математическом Центре. Также во многом этот курс является адаптацией известнейшего курса http://cs231n.stanford.edu/

График проведения курса 2022-2023

Видеозаписи лекций 2020-21 годов можно найти по ссылке.

Лекции раз в две недели по пятницам. Продолжительность лекции два астрономических часа.

Первая лекция: 10.09.22 в 10:00 в Zoom.

Лекционный план 2022-2023

Лекция 1. Классификация, основанная на данных

Введение в курс.
Задача классификации изображений.
Подходы основанные на данных.
Линейная классификация и knn-классификатор.

Лекция 2. Функции потерь и оптимизация.

Мультиклассовый SVM и его функция потерь.
Софтмакс и мультимодальная логистическая регрессия.
Оптимизация функции потерь.
Стохастический градиентный спуск (SGD).

Лекция 3. Нейронные сети и обратное распространение ошибки.

Классификация с точки зрения нейронной сети.
Многослойный перцептрон.
Представление сети в виде вычислительного графа. Алгоритм обратного распространения ошибки на вычислительном графе.

Лекция 4. Сверточные сети (СНС).
История.
Основные операции СНС.
Применение СНС вне задач машинного зрения.

Лекция 5. Инструментарий глубокого обучения.
CPU vs GPU vs TPU.
Пакеты глубокого обучения, Tensorflow, Keras и другие.
Вычислительные графы СНС.

Лекция 6. Обучение СНС, часть 1.

Активационные функции, обработка данных сетью.
Пакетная нормализация и другие трюки.
Transfer learning.

Лекция 7. Обучение СНС, часть 2.

Политики обновления гиперпараметров.
Тюнинг процесса обучения. Аугментация данных.

Лекция 8. Архитектуры СНС

Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие.

Лекция 9. Генеративные и рекуррентные модели

  1. RNN/LSTM.
    Механизм attention. Обработка естественного языка.

  2. GAN сети.

  3. Детектирование и сегментация.

Лекция 10. Нейростевые модели и искусственный интеллект

План лабораторных работ

Списки групп и статус выполнения лабораторных работ можно найти в гугл-таблице .

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

  2. Отличная книга по техническим аспектам реализации на Python -
    Шолле Франсуа, Глубокое обучение на Python

  3. Лекционный курс К.В. Воронцова по машинному обучению.

  4. Видеолекция академика Ю.И. Журавлева об истоках машинного обучения в СССР и о сочетании эвристики и науки в распознавании образов.

  5. Видеолекции С.И. Николенко по GAN сетям 1, 2. Хорошая проверка ваших знаний, на выходе из настоящего курса вы должны полностью понимать то, что говорится в этих лекциях по GAN.