Глубинное обучение (АДД 2026): различия между версиями
Mhushchyn (обсуждение | вклад) Новая страница: «== О курсе == Курс читается для студентов 1 курса магистерской программы "Анализ данных в д…» |
Mhushchyn (обсуждение | вклад) Нет описания правки |
||
| Строка 57: | Строка 57: | ||
== Лекции == | == Лекции == | ||
'''Лекция 1.''' Введение в глубинное обучение. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/ | '''Лекция 1.''' Введение в глубинное обучение. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture01-intro.pdf Слайды]] | ||
'''Лекция 2.''' Полносвязные нейронные сети. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture02-mlp.pdf Слайды]] | |||
'''Лекция 3.''' Обучение нейронных сетей. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture03-optim.pdf Слайды]] | |||
'''Лекция 4.''' Регуляризация. Dropout. Batch Normalization. Автокодировщики. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture04-ae.pdf Слайды]] | |||
'''Лекция 5.''' Изображения. Операция свёртки. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture05-conv.pdf Слайды]] | |||
'''Лекция 6.''' Свёрточные нейронные сети. Интерпретация моделей. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture06-cnn.pdf Слайды]] | |||
'''Лекция 7.''' Архитектуры свёрточных нейронных сетей. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture07-arc.pdf Слайды]] | |||
'''Лекция 8.''' Детектирование объектов. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture08-detection.pdf Слайды]] | |||
'''Лекция 9.''' Сегментация изображений. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture09-segmentation.pdf Слайды]] | |||
'''Лекция 10.''' Векторное представление текста, word2vec. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture10-word2vec.pdf Слайды]] | |||
'''Лекция 11.''' Рекуррентные нейронные сети. LSTM. GRU. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture11-rnn.pdf Слайды]] | |||
== Семинары == | == Семинары == | ||
| Строка 68: | Строка 88: | ||
== Промежуточная контрольная работа == | == Промежуточная контрольная работа == | ||
Промежуточная контрольная работа состоится 09 апреля во время лекции (18:10 - 19:30). | |||
[https://docs.google.com/document/d/1jXsSyDzqOb0Y-Eq60_Sdq7UTnD7S4n2oFUmrGRyXPHs/edit?usp=sharing Вопросы для подготовки] | |||
[https://github.com/hse-ds/iad-deep-learning/blob/master/2023/iad-dl-midterm-var0.pdf Нулевой вариант 1] | |||
[https://github.com/hse-ds/iad-deep-learning/blob/master/2023/iad-dl-midterm-var02.pdf Нулевой вариант 2] | |||
В варианте будет 4-5 вопросов. Обратите внимание на примеры типовых задач в списке вопросов. | |||
==Экзамен== | ==Экзамен== | ||
Текущая версия от 16:35, 2 апреля 2026
О курсе
Курс читается для студентов 1 курса магистерской программы "Анализ данных в девелопменте" в 3-4 модулях.
Репозиторий с материалами курса на GitHub.
[Анонимная форма обратной связи]
[Таблица с оценками]
Лекции
Лектор: Михаил Гущин (mhushchyn@hse.ru)
Лекции проходят по четвергам в 18:10 (G116).
Семинары
Семинарист: Азиз Темирханов (atemirkhanov@hse.ru)
Семинары проходят по вторникам в 19:40 (G116).
Учебные ассистенты
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знаний:
- Практические домашние работы на Python или с теоретическими задачами
- Контрольная работа в середине курса
- Письменный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)
ДЗ — средняя оценка за практические домашние задания
КР — оценка за контрольную работу
Э — оценка за экзамен
Округление арифметическое.
Правила сдачи заданий
За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.
При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.
При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
Лекции
Лекция 1. Введение в глубинное обучение. [Слайды]
Лекция 2. Полносвязные нейронные сети. [Слайды]
Лекция 3. Обучение нейронных сетей. [Слайды]
Лекция 4. Регуляризация. Dropout. Batch Normalization. Автокодировщики. [Слайды]
Лекция 5. Изображения. Операция свёртки. [Слайды]
Лекция 6. Свёрточные нейронные сети. Интерпретация моделей. [Слайды]
Лекция 7. Архитектуры свёрточных нейронных сетей. [Слайды]
Лекция 8. Детектирование объектов. [Слайды]
Лекция 9. Сегментация изображений. [Слайды]
Лекция 10. Векторное представление текста, word2vec. [Слайды]
Лекция 11. Рекуррентные нейронные сети. LSTM. GRU. [Слайды]
Семинары
Семинар 1. Введение в глубинное обучение.
Домашние задания
После дедлайна работы не принимаются.
Промежуточная контрольная работа
Промежуточная контрольная работа состоится 09 апреля во время лекции (18:10 - 19:30).
В варианте будет 4-5 вопросов. Обратите внимание на примеры типовых задач в списке вопросов.
Экзамен
Материалы прошлых лет
Дополнительные материалы
Курсы по машинному обучению и анализу данных
- Основы глубинного обучения, ВШЭ
- Глубинное обучение, ВШЭ
- Глубинное обучение 1, МФТИ
- Глубинное обучение 2, МФТИ
- Онлайн-учебник по машинному обучению от ШАД
- Курс по машинному обучению К.В. Воронцова