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

Продвинутые методы глубинного обучения

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

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.