Цели и задачи дисциплины
Цель: формирование у студентов знаний и навыков в области генеративных нейронных сетей (GAN, VAE, Diffusion Models), их архитектуры, а также практических навыков разработки, обучения и применения генеративных моделей глубокого обучения для создания новых данных, аналогичных реальным.
Задачи: изучить теоретические основы генеративных моделей, освоить методы обучения и оценки качества генеративных моделей, применить знания на практике через реализацию проектов (например, генерация изображений, текстов, музыки)
Краткое содержание дисциплины
Введение в генеративные модели. Основные понятия: генеративные vs. дискриминативные модели. Обзор архитектур: GAN, VAE, Diffusion, Autoregressive модели (GPT). Generative Adversarial Networks (GAN). Принцип работы: генератор vs. дискриминатор. Архитектуры: DCGAN, StyleGAN, CycleGAN. Проблемы обучения и методы их решения. Вариационные автокодировщики (VAE). Энкодер-декодер структура. Теория: variational inference, ELBO. Приложения: генерация изображений, дообучение. Diffusion-модели. Принцип диффузионных процессов. Stable Diffusion, DDPM. Практическое применение. Оценка качества генерации. Метрики: FID, Inception Score, Precision/Recall. Интерпретация результатов.