ML-магистратура

Курс посвящен ключевым вопросам глубокого обучения: свойствам сверточных слоев, архитектурам глубоких нейронных сетей, методам их обучения и регуляризации. Основная цель курса — формирование у студента интуиции, которая позволяет принимать осмысленные решения при построении архитектуры и процесса обучения нейронной сети.

Курс посвящен самым важным задачам компьютерного зрения: классификации изображений, распознаванию лиц, обнаружению объектов, сегментации изображений. Рассматриваются современные подходы для решения этих задач. Освоение этого курса позволит студенту находить подход к решению практических задач компьютерного зрения, подбирать архитектуру нейронной сети, идентифицировать проблемы в процессе обучения.

Данный лекционно-практический курс посвящен обширной и очень важной задаче — обнаружению аномалий. Будут рассмотрены как классические, так и самые современные методы обнаружения аномалий во временных рядах и на цифровых изображениях.

Данный курс посвящен основам обучения с подкреплением, позволяющим создать рационального агента, решающего заданную задачу на основе опыта. В рамках курса будут рассмотрены как классические алгоритмы, так и применение глубоких нейронных сетей в задачах обучения с подкреплением.

Курс посвящен применению методов машинного обучения для решения актуальных задач обработки естественного языка: классификации текста, поиска похожих документов, получения векторных представлений слов, отражающих семантику слова. Освоение курса позволит студенту уверенно решать практические задачи анализа текста, идентифицировать проблему в процессе обучения метода, принимать обоснованные решения при выборе архитектуры нейронной сети.

Курс посвящен самым новым и продвинутым методам в области компьютерного зрения. В рамках курса изучаются научные результаты, представленные на последних мировых конференциях по компьютерному зрению: CVPR, ICCV, ECCV. Этот курс потребует от студентов знаний в глубоком обучении и компьютерном зрении.

Курс предполагает изучение тем, связанных с обработкой одномерных сигналов. Большое внимание в рамках курса уделяется Фурье-анализу сигналов, на лекциях затрагиваются такие темы как оцифровка сигнала, фильтрация, ортогональные преобразования, обработка речевых сигналов. Знания, полученные в этом курсе, могут быть использованы для анализа одномерных последовательностей таких как речевые сигналы, ЭКГ, временные ряды, а также подготовки данных для обучения моделей машинного обучения.

Курс знакомит студентов с классическими методами обработки цифровых изображений. В рамках курса приводится математическое обоснование таких областей этой дисциплины как фильтрация изображений, очистка от шума, морфологический и частотный анализ, выделение границ. Методы, изученные в данной дисциплине, могут помочь слушателю произвести первичный анализ изображений, произвести аугментацию данных, подготовить или даже синтезировать данные для обучения метода машинного обучения.

Курс посвящен проектированию гибких систем для различных задач машинного обучения и компьютерного зрения с помощью библиотеки для глубокого обучения PyTorch. В рамках курса будут рассмотрены различные паттерны проектирования, библиотеки для логирования процесса обучения (Visdom, TensorBoard, MLflow), написание тестов и отладка процесса обучения модели. В результате прохождения курса у студента будут сформированы навыки написания проектов по машинному обучению и компьютерному зрению с помощью библиотеки PyTorch.