Скачать Продвинутые методы глубинного обучения [Stepik] [Елена Кантонистова, Евгений Паточенко, Марк Блуменау]

[King]

Складчина: Продвинутые методы глубинного обучения [Stepik] [Елена Кантонистова, Евгений Паточенко, Марк Блуменау]



Курс посвящен изучению современных алгоритмов и подходов из области Deep Learning, таких как генеративные модели в Computer Vision и в NLP, методы эффективного обучения больших языковых моделей, рекомендательные системы, грабовые нейронные сети и многое другое!

Чему вы научитесь

вы узнаете о современных генеративных моделях в области компьютерного зрения
узнаете об особенностях работы LLM
погрузитесь в алгоритмы построения рекомендательных систем
освоите основы графовых нейронных сетей
познакомитесь с глубинным обучением для обработки звука
узнаете о современных методах ускорения обучения нейронных сетей
прикоснетесь к миру Reinforcement Learning
О курсе
Курс состоит из нескольких тематических блоков. Каждый из блоков глубоко погружает слушателей в различные современные приложения глубинного обучения.
Над курсом работает команда разноплановых специалистов, каждый из которых является экспертом в своем блоке тем.

Для кого этот курс
Вам подойдет этот курс, если вы освоили программу классического Deep Learning и знакомы с основными архитектурами нейронных сетей (полносвязные, сверточные, рекуррентные и транспортерные архитектуры). Вам будет интересен курс, если вы интересуетесь современным состоянием области Deep Learning и хотите погрузиться в различные ответвления современного глубинного обучения.

Начальные требования
- знание классических архитектур нейронных сетей (если вы не знакомы с классическим глубинным обучением - рекомендуем пройти курс Практический Deep Learning)
- желание получить максимально полный обзор современных приложений глубинного обучения и найти свой индивидуальный вектор развития

Курс состоит из:
теоретических материалов в текстовом виде
практических скринкастов
тестовых заданий на понимание теории и практики
практических домашних заданий на языке Python

Программа курса

О курсе
Нормализационные потоки и метрики качества генерации
Сложные задачи Computer Vision
Трехмерное компьютерное зрение
Рекомендательные системы - 1
Рекомендательные системы - 2
Рекомендательные системы - 3
Методы объяснения DL-моделей
Большие языковые модели (Large Language Models)
PEFT
Графовые нейронные сети
Обучение с подкреплением
Deep Learning для звука: введение в домен
DL для звука: задачи и модели
Итоговый модуль курса


Спойлер: Подробно:
О курсе
Программа курса
Тест по Deep Learning

Нормализационные потоки и метрики качества генерации
Метрики качества генерации
Нормализационные потоки
Практика по нормализационным потокам

Сложные задачи Computer Vision
Stable Diffusion
Vision Transformers (ViT)
Обзор других существующих решений

Трехмерное компьютерное зрение
Классические методы
Нейросетевые методы

Рекомендательные системы - 1
Введение в рекомендательные системы
Коллаборативная фильтрация
Матричные разложения
Домашнее задание

Рекомендательные системы - 2
Метрики качества рекомендаций
ML-подход
Факторизационные машины
Домашнее задание

Рекомендательные системы - 3
ALS для обучения рекомендательных систем
Deep Learning-подходы для построения рекомендаций (обзор)
Заключительный урок: материалы и тестирование

Методы объяснения DL-моделей
Введение
Learned Features [CNN] Визуализация карт активации
Learned Features [CNN] Network Dissection
Learned Features [CNN]: Практика
Gradient-based explainability | Saliency Maps

Большие языковые модели (Large Language Models)
Введение в LLM
Обзор некоторых архитектур
Запускаем LLM

PEFT
PEFT
Домашнее задание

Графовые нейронные сети
Введение в графовые нейронные сети
Некоторые архитектуры GNN
Практический запуск GNN

Обучение с подкреплением
Reinforcement Learning

Deep Learning для звука: введение в домен
Хранение звука в компьютере
Базовые характеристики звука
Преобразование Фурье и Спектрограммы

DL для звука: задачи и модели
Стандартные задачи на аудио
Задачи работы со звуком: Audio-to-Audio
Audio-visual задачи
Audio-Tasks: тест на понимание области

Итоговый модуль курса
Итог

Наши преподаватели
- Елена Кантонистова
Кандидат физико-математических наук, выпускница школы анализа данных Яндекса (ШАД)
Академический руководитель магистратуры "Искусственный интеллект" (ранее "Машинное обучение и высоконагруженные системы") Факультета компьютерных наук ВШЭ, доцент департамента больших данных и информационного поиска ФКН… Ещё
- Евгений Паточенко
Data Scientist / Machine Learning Engineer
Академический руководитель магистратуры "Аналитика больших данных" Факультета компьютерных наук ВШЭ
- Марк Блуменау
Researcher (LPI RAS, IZMIRAN)
Исследователь в областях компьютерного зрения, физики Солнца и квантовых материалов. Преподаватель НИУ ВШЭ.






СЛИВ СКЛАДЧИН

Для просмотра скрытого содержимого вы должны зарегистрироваться