Глубокие нейронные сети

Цели и задачи дисциплины

Цель дисциплины - освоение студентами фундаментальных принципов построения, обучения и применения глубоких нейронных сетей для решения практических задач широкого спектра. Задачи освоения дисциплины: изучение основных архитектур нейронных сетей и базовых алгоритмов глубокого обучения; умение использовать программные библиотеки и инструменты глубокого обучения для решения практических задач; получение практических навыков разработки, обучения и оптимизации глубоких нейронных сетей. Профессиональная роль: инженер машинного обучения.

Краткое содержание дисциплины

Изложены наиболее важные понятия, определения и принципы построения глубоких нейронных сетей. В курс входят следующие разделы: введение в нейронные сети; многослойный персептрон; обучение нейронной сети методом градиентного спуска; метод обратного распространения ошибки; стоимостная функция на основе перекрестной энтропии; регуляризация, прореживание (dropout), аугментация и другие техники, улучшающие обучение нейронных сетей; алгоритмы с адаптивной скоростью обучения AdaGrad, RMSProp, Adam; ReLU и другие функции активации; сверточные нейронные сети; рекуррентные нейронные сети; автокодировщики; глубокое обучение с подкреплением; история развития нейронных сетей и глубокого обучения.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-13 [ML-8] Способен применять алгоритмы обучения на нестандартных объемах данных
ПК-19 [DL-1] Способен применять и (или) разрабатывать архитектуры глубоких нейронных сетей
ПК-22 [ML-6] Способен применять алгоритмы обучения с подкреплением
ПК-24 [FC-3] Способен проводить фронтирные исследования в области управления, решения, агентных и мультиагентных систем