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
- Название предмета:
Deep learning в СПбГУ совместно с IT Академией Samsung - 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. - 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. - 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. - 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