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
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
Авторы курса
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
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.
