Курс по нейронным сетям (3-й курс и старше)

Всем мы любим запилить что нибудь космическое. И сегодня, я думаю, в мире IT сложно найти что либо более космическое, чем нейронные сети. Кажется, что их возможности безграничны: автопилоты, игра Го, поиск лекарств от рака, синтез речи и музыки. Список можно продолжать бесконечно! Мы приглашаем вас приобщиться к этому космосу.
11 занятий, 44 ак.часа
Хочу учиться
Что дает курс

А еще у нас есть крутая студенческая лаборатория нейронных сетей, где мы внедряем весь этот космос в продакшин. У самых мотивированных студентов будет реальный шанс туда попасть!

Какие знания нужны

Мы ожидаем, что студенты пришедшие к нам знают основы линейной алгебры (операции над матрицами, обращение матриц), мат.анализа (производные, градиенты), теории вероятности (условная вероятность, теорема Байеса). В первой лекции мы сделаем небольшое, но достаточное введение в машинное обучение и оптимизацию, для тех, кто не изучал эти темы. Если хочется освежить знания математики, рекомендую книгу Deep Learning Part I. Кроме того, мы ожидаем что вы умеете программировать на Python.

Как поступить?

Регистрация
Заполни заявку и регистрируйся на курс до 25-го февраля включительно
Тестирование
Ссылка на тест придет на почту до 18:00 26-го февраля. Пройди тест до 18:00 28-го февраля
Зачисление
Письмо о зачислении придет на почту каждому студенту 3-го марта включительно
Начало обучения
Обучение начнется на неделе с 4-го марта по расписанию

Вопросы по обучению

Отборочный тест

 

Требования к поступающим

Поступить могут студенты и аспиранты всех курсов и факультетов МФТИ.

Оборудование для обучения

Компьютер, возможность подключиться к беспроводной сети для выхода в сеть Internet.

Нагрузка в неделю

4 ак. часа в неделю без учета времени на выполнение домашнего задания.

Место проведения

Онлайн.

Стоимость обучения

Обучение бесплатно.

Моего вопроса тут нет :(

Другие вопросы можно посмотреть здесь.

Программа

Смешанное занятие № 1. Введение в машинное обучение. Персептрон.

Базовые понятия машинного обучения.
Модель линейной и логистической регрессии.
Алгоритм стохастического градиентного спуска.
Персептрон и алгоритм обратного распространения ошибки.
Семинар: реализация алгоритма SGD, многослойного персептрона

Смешанное занятие № 2. Сверточные нейронные сети. Pytorch.

История появления сверточных сетей.
Основные компоненты сверточных сетей: слои свертки, пулинга, батч-нормализации, активации и т.д.
Алгоритм minibatch-SGD
Продвинутые методы оптимизации
Реализация нейронных сетей с использованием PyTorch
Семинар: решение задачи MNIST с использованием pytorch

Смешанное занятие № 3. Нейронные сети для распознавания образов. VGG, Resnet.

Базовые архитектуры нейросетей, решаем задачу классификаци продвинутыми архитектурами

Смешанное занятие № 4. Сегментация и локализация объектов

Сегментация изображений при помощи нейронных сетей в задаче автопилота.

Смешанное занятие № 5. Визуализация нейронных сетей. Deep dreams. Style transfer.

Генерация текстур & перенос стилей

Смешанное занятие № 6. Рекуррентные нейронные сети.

Синтез музыки.

Смешанное занятие № 7. Обучение с подкреплением

Играем в игры на базе OpenAI

Смешанное занятие № 8. VAE. DCGAN.

Синтез правдоподобных изображений.

Смешанное занятие № 9. Автоэнкодеры. Генеративные состязательные сети (GAN)

Автоэнкодеры. Генеративные состязательные сети (GAN)

Смешанное занятие № 10. Разбор некоторых конкурсов Kaggle

Аспекты использования нейронных сетей в продакшене.

Экзамен № 1. Экзамен

Подведение итогов курса, раздача печенек.