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

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 PEFT Графовые нейронные сети Обучение с подкреплением Deep Learning для звука: введение в домен DL для звука: задачи и модели Итоговый модуль курса Подробно: О курсе PEFT PEFT Домашнее задание Графовые нейронные сети Введение в графовые нейронные сети Некоторые архитектуры GNN Практический запуск GNN Обучение с подкреплением Reinforcement Learning Deep Learning для звука: введение в домен Хранение звука в компьютере Базовые характеристики звука Преобразование Фурье и Спектрограммы DL для звука: задачи и модели Стандартные задачи на аудио Задачи работы со звуком: Audio-to-Audio Audio-visual задачи Audio-Tasks: тест на понимание области Итоговый модуль курса Итог 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.