Основы глубокого обучения

Цели и задачи дисциплины

Цель дисциплины: Сформировать у студентов знания ключевых концепций и архитектур глубокого обучения в основных прикладных областях (компьютерное зрение, обработка естественного языка, распознавание речи, обучение с подкреплением), а также умения и навыки самостоятельной разработки, обучения, оценки и защиты прикладных проектов на основе нейронных сетей. Задачи дисциплины: — Изучить ключевые концепции и архитектуры глубокого обучения в основных прикладных областях: компьютерное зрение, обработка естественного языка, распознавание речи, обучение с подкреплением. — Освоить этапы подготовки и оценки проекта машинного обучения: выбор задачи, сбор и предобработка данных, обучение модели, презентация результатов. — Сформировать умение разрабатывать и реализовывать прикладные проекты в области глубокого обучения, включая выбор архитектуры, обучение модели и интерпретацию результатов. — Развить навык работы в команде над проектом машинного обучения с соблюдением стандартов кодирования (PEP8 — стандарт оформления кода на языке Python), структуры проекта и воспроизводимости решений. — Освоить практическое применение современных библиотек глубокого обучения (PyTorch, TensorFlow) для решения задач в разных прикладных областях. — Сформировать навык подготовки и защиты итогового проекта, включая техническую реализацию, визуализацию результатов и аргументацию архитектурных решений перед наставниками и командой.

Краткое содержание дисциплины

Дисциплина «Основы глубокого обучения» формирует у студентов практические компетенции применения нейросетевых моделей для решения прикладных задач в ключевых областях: компьютерное зрение, обработка естественного языка и широкий класс задач машинного обучения. Дисциплина носит проектный характер: студенты последовательно разрабатывают законченные сервисы на основе глубокого обучения — от подготовки набора данных и выбора архитектуры до развёртывания и защиты готового решения как продукта.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ОПК-3 Способен проводить анализ математических моделей, создавать инновационные методы решения прикладных задач профессиональной деятельности в области информатики и математического моделирования
ПК-1 Способен разрабатывать и применять алгоритмы анализа данных, машинного обучения и нейросетевых технологий при создании интеллектуальных информационных систем