ОБУЧЕНИЕ

Курс посвящен технологиям программной реализации различных нейросетевых архитектур и приемам решения прикладных задач компьютерного зрения, анализа текстов и рекомендательных систем. Вы узнаете, как работать с PyTorch, что такое CUDA, а также как применять распределённые методы обучения.

В рамках дисциплины вы рассмотрите фундаментальные математические принципы, которые позволяют глубоким сетям обучаться. Вы сможете интерпретировать процессы обучения сетей с вероятностной точки зрения и понять теоретические основы изначально эвристических принципов, заложенных в работу современных глубоких нейросетей.

Курс охватывает математические и алгоритмические основы машинного обучения, включая автоматическое дифференцирование, функциональный анализ и дифференциальные уравнения. Вы изучите ключевые методы оптимизации, численного решения задач и применения нейронных сетей в контексте дифференциальных уравнений. Курс также рассматривает современные подходы, такие как нейронные ОДУ и стохастические дифференциальные уравнения, для решения сложных задач в науке и анализе данных. Также вы познакомитесь с архитектурами KAN, PINN и FNO.

На курсе вы изучите возможности математической оптимизации, основные алгоритмы на основе наглядных иллюстраций, ограничения и сильные стороны, виды задач и области их применения. Вы рассмотрите типичные вопросы из различных областей деятельности и специфику внедрения оптимизационных продуктов. Также вы научитесь выявлять возможности для внедрения оптимизации, грамотно формулировать сбалансированные задачи математической оптимизации и подбирать средства для их решения.

На курсе вы познакомитесь с видами и формами представления информации и принципами ее кодирования и декодирования. Вы научитесь использовать формулу Шеннона, применять закон аддитивности и теорему Котельникова.

Курс посвящен современной исследовательской деятельности на русском языке. Вы обсудите как общие проблемы научного стиля и жанров, так и принципы организации публикационной инфраструктуры. Все вопросы вы рассмотрите на практике и закрепите полученные знания, выполняя задания.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

Курс дает теоретические и практические знания о больших данных, аналитике и инструментах по работе с ними. Вы на практике попробуете использовать современные технологии и инструментальные средства: Hadoop, MapReduce, Spark, NoSQL, язык R и др.

Курс посвящен современным подходам к обработке и генерации последовательностей — текста на естественном языке и программного кода. Вы познакомитесь с принципами построения больших языковых моделей, методами их выравнивания и дообучения. Также вы научитесь применять современные подходы к решению задач в области компьютерной лингвистики, приобретете навыки интерпретации и оценки результатов работы различных алгоритмов автоматической обработки текста, начиная от базовых и заканчивая большими языковыми моделями.

Продвинутый курс по построению нейронных сетей для обработки изображений. Вы рассмотрите применение сверточных нейросетей для классификации и сегментации изображений. Изучите классические архитектуры: VGG16, ResNet, Inception, познакомитесь с переносом обучения, расширением данных и генерацией изображений. Также научитесь анализировать векторные изображения.

В курсе рассматриваются современные методы глубокого обучения с подкреплением. Вы научитесь сводить прикладные задачи к формализму обучения с подкреплением, а также реализовывать различные методы обучения с подкреплением.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

Курс состоит из семинарских занятий, на которых вы будете презентовать, проводить детальный анализ и обсуждать последние работы, опубликованные в топовых журналах в области искусственного интеллекта.

Курс фокусируется на проблематике верификации работы систем на основе искусственного интеллекта, а также их безопасности. «Непредсказуемость» таких систем и отсутствие доказательств того, что они не будут показывать нежелательное поведение — часто основное, что препятствует их внедрению в реальные процессы. Из курса вы узнаете формальные постановки задач и современные методы верификации алгоритмов машинного обучения, а также их безопасного построения.

Дисциплина расскажет, какие современные подходы используются для автоматизации сквозного процесса применения машинного обучения к задачам реального мира, как и когда их использовать. Также будут рассмотрены способы построения новых методов автоматического машинного обучения на базе существующих подходов. Вы научитесь понимать, как устроены алгоритмы поиска архитектур нейронных сетей, и выстраивать процессы настройки гиперпараметров сложных моделей.

В этом курсе вы рассмотрите современные архитектуры генеративных моделей и алгоритмы их обучения. На семинарах будут разобраны индустриальные примеры использования таких моделей, включая вариационные автоэнкодеры (VAE), генеративные состязательные сети (GAN), авторегрессионные модели и модели нормализующих потоков. На курсе также будут рассмотрены области знания, которые выигрывают от применения генеративных моделей в настоящее время и могут выиграть в будущем.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

В течение семестра вы агрегируете исследования, проведенные за всё время обучения в рамках дипломной работы. Результат курса — статья Scopus/WoS в издании с рейтингом не ниже B, написанная совместно с сотрудниками лаборатории машинного обучения.