Искусственные нейронные сети
ОБЪЯВЛЕНИЯ
Описание курса
Курс предлагает базовые теоретические знания о машинном обучении, с применением этих знаний на практике. Большее внимание уделяется теоретической части для глубокого понимания работы алгоритмов машинного обучения.
Требования к студентам
Знание на базовом уровне математического анализа и линейной алгебры. Желательно владеть языком программирования python.
Технические требования
Python, а также библиотеки numpy, tensorflow, matplotlib.
Если ваша видеокарта поддерживает обучение нейронной сети на графическом процессоре, необходимо скачать CUDA от Nvidia (видеокарты AMD не подходят).
https://developer.nvidia.com/cuda-gpus - список поддерживаемых видеокарт.
https://developer.nvidia.com/cuda-toolkit-archive - CUDA, иногда просто хватает обновления драйверов.
https://www.tensorflow.org/install - установка tensorflow.
Для установки numpy и matplotlib необходимо ввести в консоли python:
pip install numpy
pip install matplotlib
Если возникнут какие-то проблемы, обращаться к руководителю курса.
План занятий
Занятие №1: Организационные вопросы. Постановка задачи. Вводная часть про машинное обучение. Обучение с учителем.
Занятие №2: Линейная регрессия, переобучение и методы борьбы с ним.
Занятие №3: Градиентный спуск, активации на слоях.
Занятие №4: Логистическая регрессия, теорема о бесплатных завтраках, теорема об универсальном аппроксиматоре.
Занятие №5: Граф вычислений и метод обратного распространения ошибки.
Занятие №6: Введение в Keras, разбор примеров нейросетей, зависимость сложности от размера сети, «бутылочное горлышко».
Занятие №7: Сверточные нейронные сети, разбор примеров.
Занятие №8: Введение в обучение с подкреплением.
Занятие №9: Разбор примеров TD-обучения и алгоритмов динамического программирования.
Занятие №10: Глубокое Q-обучение, метод кросс-энтропии, подведение итогов.