Цели и задачи дисциплины
Цель дисциплины – формирование способности разрабатывать и применять алгоритмы машинного обучения и нейросетевых технологий при создании интеллектуальных систем. Курс охватывает изучение современных архитектур глубоких сетей, методов их обучения, регуляризации и оценки адаптивных моделей. Студенты осваивают настройку архитектур, интерпретацию результатов и комбинирование алгоритмов для решения прикладных задач. Итогом становится практический опыт разработки генеративных моделей с использованием современных средств программирования и оценки их качества.
Краткое содержание дисциплины
В рамках курса рассматриваются математические основы и эволюция подходов на примере задачи генерации данных: от базовых энергетических и авторегрессионных моделей до вариационных автокодировщиков, нормализующих потоков, генеративно-состязательных сетей и диффузионных архитектур. Особое внимание уделяется методам обучения, регуляризации и стабилизации работы нейронных сетей.
Значительная часть дисциплины посвящена применению и комбинированию алгоритмов для решения прикладных задач. Рассматриваются методы обработки одномерных данных, в том числе временных рядов, синтеза и преобразования двумерных изображений, генерации табличных данных со смешанными признаками, а также моделирования графовых и мультимодальных структур.