Студенты научатся применять методы, основанные на искусственных нейронных сетях, овладеют основами математического аппарата и программных библиотек, рассмотрят решения проблем, связанных с процессом обучения моделей.
Понимание задач машинного обучения. Базовые знания линейной алгебры, математического анализа и статистики. Знание основ Python. Приветствуется опыт работы с библиотекой Numpy.
Лекции и семинары проходят в вечернее время. В программе – четыре домашних задания, соревнование Kaggle и исследовательский проект, предполагающий командную работу на выбранную тему в течение семестра.
Вопросы на знание Python, принципы
Поступить могут студенты и аспиранты всех курсов и факультетов МФТИ.
Компьютер, возможность подключиться к беспроводной сети для выхода в сеть Internet.
4 ак. часа в неделю без учета времени на выполнение домашнего задания.
Онлайн.
Обучение бесплатно.
Другие вопросы можно посмотреть здесь.
1. Задачи машинного обучения.
2. Линейные модели.
3. Обучение линейных моделей, метод максимизации правдоподобия.
-
1. Обобщенные линейные модели, обобщенные аддитивные модели.
2. Перцептрон.
3. Метод обратного распространения ошибки.
-
1. Метод стохастического градиентного спуска и его вариации.
2. Возможные проблемы при обучении глубоких нейронных сетей и пути их решения.
3. Инициализация параметров глубоких нейронных сетей.
-
Стабилизация обучения глубоких нейронных сетей:
1. Специальные функции активации.
2. Подходы регуляризации.
3. Batch normalization.
-
1. Недостатки полносвязных сетей в задаче анализа изображений
2. Операция свертки
3. Сверточные нейронные сети, основные понятия.
-
-
-
-
-
1. Операция субдискретизации (Pooling)
2. Варианты операции свертки: transposed convolution, dilated convolution, etc.
3. Основные архитектуры сверточных нейронных сетей в задаче классификации изображений
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
