Прикладной трек программы «Программирование и искусственный интеллект»

Для тех, кто хочет расширить и углубить свои знания в разработке программного обеспечения и анализе данных

Поступить

ПРИКЛАДНОЙ ТРЕК

1

Индивидуальный учебный план

2

Выбор из более чем 50 курсов

3

Проектная работа каждый семестр

4

Диплом – решение прикладной задачи

НАПРАВЛЕНИЯ

1

Разработка программного обеспечения

2

Анализ данных

БАЗОВЫЕ КУРСЫ

1 семестр

2 семестр

Алгоритмы оптимизации и регуляризации глубоких нейронных сетей
Алгоритмы оптимизации глубоких нейронных сетей: градиентный спуск, стохастический градиентный спуск, адаптивный градиентный спуск, импульс Нестерова. Регуляризация нейронных сетей: dropout, dropconnect, ранняя остановка, изменение скорости обучения
Классификация изображений с помощью сверточных нейронных сетей
Сверточные нейронные сети, понятие свертки. Основные сети классификации изображений: AlexNet, VGG, ResNet, GoogLeNet
Детектирование объектов и сегментация изображений
Задача детектирования объекта и сегментации изображения. Регионные нейронные сети, регрессия вписывающего прямоугольника. Полностью сверточные нейронные сети. Обратная свертка.
Векторное представление слов и обработка естественного языка с помощью рекуррентных нейронных сетей
Понятие векторного представления слов. Задача построения векторного пространства слов. Задача определения эмоциональной окраски текста. Рекуррентные нейронные сети. LSTM, GRU, SRU.
Конкурентные и генеративные нейронные сети
Генеративные нейронные сети. Постановка задачи генерации выборки. Генеративные нейронные сети: GAN, VAE. Применение конкурентных нейронных сетей для доменной адаптации.
Оптимизация гиперпараметров нейронных сетей с помощью байесовских методов и методов стохастического поиска
Глубокое обучение с подкреплением. Применение глубоких нейронных сетей в задачах обучения с подкрепления. Актор и критик

3 семестр