Факультатив Deep learning

С 12 октября 2020 года начинается совместный факультатив  СПбГУ и IT Академии Samsung "Deep learning". Занятия будут проходить в формате дистанционной работы с преподавателем. 

Краткое описание курса и требования для зачисления

  1. Название предмета:
    Deep learning в СПбГУ совместно с IT Академией Samsung
  2. Формат занятий:
    Факультатив, 1 пара в неделю, 5-й парой (17:10–18:45) во вторник, в формате дистанционной работы с преподавателем (видеоконференция в MS Teams)
    Начало занятий курса – 12 октября, конец – 30 апреля 2021, 2 семестра по 10-11 лекций.
  3. Отчетность:
    В первом семестре (после 10 пар) защита темы индивидуального проекта и сертификат второго курса по AI от Samsung https://stepik.org/course/54098/promo
    Во втором семестре (после 10 пар, на 11-й) защита проектов, выход лучших на всероссийский конкурс проектов Самсунг по ИИ между ведущими вузами страны.
  4. Требования для зачисления на курс:
    Предоставление сертификата прохождения ( получить 130 баллов, 75 % или выше) вводного онлайн курса Samsung https://stepik.org/course/50352/promo. Курс даст необходимую вводную теоретическую и практическую базу.
  5. Тематический план занятий:
    1. Нейронные сети в контексте современной архитектуры IT решений. Вопросы применения:
         a. в задачах Big Data
         b. на «конечных» устройствах
         c. в автономных устройствах
    2. Архитектуры глубоких нейронных сетей, меры оценки качества их работы
    3. Методы обучения глубоких нейронных сетей
         a. Форматы обучения и средства агрегации данных
         b. Обучение методами генетических алгоритмов
         c. Методы самообучения сетей (с сетью-противником, со средой)
    4. Практические аспекты разработки нейронных сетей – вопросы применения вычислительных ресурсов (CPU, GPU, TPU, RAM, методы экономии ресурсов)
    5. Подготовка данных для обучения, Применение пред-обученных нейронных сетей для кластеризации (tSNE), методы повышения вариативности данных
    6. Выбор актуальных практических задач, Kaggle, работа с русской речью
    7. Проблемы переобучения и взлома, мониторинг качества работы нейронной сети
    8. Практическое применение нейронных сетей в облаке и на конечных устройствах. Технологии поиска и оптимизации нейросетевой архитектуры (NAS, AutoML, DARTS)
    9. Непрерывный цикл обучения нейронных сетей для индустриальных приложений
    10. Расслоение нейросетевых моделей – как быть если модель не обучить самостоятельно