Нейросетевые методы обработки изображений (В.В.Китов)
Материал из MachineLearning.
(Различия между версиями)
| (81 промежуточная версия не показана) | |||
| Строка 3: | Строка 3: | ||
==О курсе== | ==О курсе== | ||
| - | Спецкурс | + | Спецкурс познакомит слушателей с нейросетями, методами их обучения и регуляризации, задачами обработки изображений, последовательностей и текстов. Будут изучены как задачи классификации и регрессии, так и генеративные модели порождения новых изображений и текстов. |
| - | + | Изложение будет вестись с самых основ, поэтому спецкурс подойдет бакалаврам 2 и 3 курса. Бакалаврам 4 курса спецкурс будет интересен тем, что в нём особый акцент будет сделан на практическую реализацию нейросетей. | |
| - | + | ||
| - | + | В частности, будут практические семинары на Python+PyTorch по сравнению методов оптимизации и регуляризации нейросетей, классификации/локализации/стилизации и генерации изображений. Применим продвинутые архитектуры для распознавания пользовательских действий по данным акселерометров, создадим систему автодополнения поисковых запросов и развернём чат-бота локально на компьютере. | |
==Лектор== | ==Лектор== | ||
| - | [[Участник:Victor Kitov|Виктор Владимирович Китов]], к.ф.-м.н., преподаватель кафедры [[Mmp|математических методов прогнозирования]] [http://cmc.msu.ru ВМК МГУ] | + | [[Участник:Victor Kitov|Виктор Владимирович Китов]], к.ф.-м.н., преподаватель кафедры [[Mmp|математических методов прогнозирования]] [http://cmc.msu.ru ВМК МГУ]. |
| - | + | Почта: v.v.kitov(at)yandex.ru. | |
| - | + | ||
| - | == | + | ==Требования к слушателям== |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | Необходимы базовые знания по математическому анализу, линейной алгебре и теории вероятностей. Предварительных знаний по нейронным сетям и методам обработки изображений не требуется. | |
| - | + | ||
| - | = | + | ==Программа курса== |
| - | + | * Введение в глубокое обучение. | |
| + | * Многослойный персептрон. Основные функции активации и функции потерь. | ||
| + | * Автокодировщик. | ||
| + | * Работа в среде Jupyter Lab, Jupyter Notebook. Средства отладки кода. | ||
| + | * Методы оптимизации нейросетей. | ||
| + | * Основы работы с PyTorch, автоматическое дифференцирование, реализация простейших нейросетей. | ||
| + | * Операции свёртки и пулинга. Свёрточные нейросети для обработки текстов и изображений. | ||
| + | * Основные свёрточные архитектуры для классификации изображений. | ||
| + | * Реализация свёрточных сетей и использование предобученных сетей в PyTorch. | ||
| + | * Сегментация изображений. | ||
| + | * Реализация задачи супер-разрешения (super-resolution) и сиамских сетей в PyTorch. | ||
| + | * Задача переноса стиля и её практическая реализация. | ||
| + | * Генеративно-состязательные сети. | ||
| + | * Рекуррентные сети, трансформеры, обработка текстов. | ||
| - | + | ==Практикум== | |
| + | В рамках практикума необходимо реализовать улучшенния базовых архитектур, разобранных на практических семинарах. От студентов второго курса дополнительно требуется сделать презентацию научной статьи. | ||
| - | + | ==Прохождение спецкурса== | |
| + | Для успешной сдачи спецкурса необходимо сдать практикум и устный экзамен. | ||
| - | + | ==Регистрация на курс== | |
| + | Регистрация на курс происходит на самом спецкурсе по факту посещения, дополнительные действия не требуются. | ||
| - | + | ==Время занятий== | |
| - | + | По понедельникам 18:00 - 19:30 (можем немного позже заканчивать), ауд. 658. | |
| - | + | Первое занятие - 16.02.2026. | |
| - | + | ==Рекомендуемые ресурсы== | |
| - | + | * [https://deepmachinelearning.ru Авторсий онлайн-учебник по машинному и глубокому обучению] | |
| - | + | * [https://education.yandex.ru/handbook/ml Учебник школы анализа данных Яндекса по машинному и глубокому обучению] | |
| - | + | * [https://pytorch.org/tutorials/ Образовательные материалы по библиотеке PyTorch] | |
| - | + | * [https://scholar.google.ru/ Поиск google по научным статьям] | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | = | + | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | =Рекомендуемые ресурсы= | + | |
| - | + | ||
| - | * [https:// | + | |
| - | + | ||
| - | + | ||
| - | * [https:// | + | |
| - | * [https://pytorch.org/tutorials/ Образовательные материалы по библиотеке | + | |
| - | * [ | + | |
Текущая версия
О курсе
Спецкурс познакомит слушателей с нейросетями, методами их обучения и регуляризации, задачами обработки изображений, последовательностей и текстов. Будут изучены как задачи классификации и регрессии, так и генеративные модели порождения новых изображений и текстов.
Изложение будет вестись с самых основ, поэтому спецкурс подойдет бакалаврам 2 и 3 курса. Бакалаврам 4 курса спецкурс будет интересен тем, что в нём особый акцент будет сделан на практическую реализацию нейросетей.
В частности, будут практические семинары на Python+PyTorch по сравнению методов оптимизации и регуляризации нейросетей, классификации/локализации/стилизации и генерации изображений. Применим продвинутые архитектуры для распознавания пользовательских действий по данным акселерометров, создадим систему автодополнения поисковых запросов и развернём чат-бота локально на компьютере.
Лектор
Виктор Владимирович Китов, к.ф.-м.н., преподаватель кафедры математических методов прогнозирования ВМК МГУ.
Почта: v.v.kitov(at)yandex.ru.
Требования к слушателям
Необходимы базовые знания по математическому анализу, линейной алгебре и теории вероятностей. Предварительных знаний по нейронным сетям и методам обработки изображений не требуется.
Программа курса
- Введение в глубокое обучение.
- Многослойный персептрон. Основные функции активации и функции потерь.
- Автокодировщик.
- Работа в среде Jupyter Lab, Jupyter Notebook. Средства отладки кода.
- Методы оптимизации нейросетей.
- Основы работы с PyTorch, автоматическое дифференцирование, реализация простейших нейросетей.
- Операции свёртки и пулинга. Свёрточные нейросети для обработки текстов и изображений.
- Основные свёрточные архитектуры для классификации изображений.
- Реализация свёрточных сетей и использование предобученных сетей в PyTorch.
- Сегментация изображений.
- Реализация задачи супер-разрешения (super-resolution) и сиамских сетей в PyTorch.
- Задача переноса стиля и её практическая реализация.
- Генеративно-состязательные сети.
- Рекуррентные сети, трансформеры, обработка текстов.
Практикум
В рамках практикума необходимо реализовать улучшенния базовых архитектур, разобранных на практических семинарах. От студентов второго курса дополнительно требуется сделать презентацию научной статьи.
Прохождение спецкурса
Для успешной сдачи спецкурса необходимо сдать практикум и устный экзамен.
Регистрация на курс
Регистрация на курс происходит на самом спецкурсе по факту посещения, дополнительные действия не требуются.
Время занятий
По понедельникам 18:00 - 19:30 (можем немного позже заканчивать), ауд. 658.
Первое занятие - 16.02.2026.
