НМОИ
Материал из MachineLearning.
Victor Kitov (Обсуждение | вклад)
(Новая: Категория:Учебные курсы =НЕЙРОСЕТЕВЫЕ МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ (спецкурс, ВМиК МГУ, весна 2019)= ...)
К следующему изменению →
Версия 21:03, 24 февраля 2019
Содержание |
НЕЙРОСЕТЕВЫЕ МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ (спецкурс, ВМиК МГУ, весна 2019)
Спецкурс посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо преобразовать так, чтобы сохранить изображенные на нем предметы, но стилистику их отображения взять из другого изображения или группы изображений. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо изменение зимней панорамы в летнюю. Эта задача может применяться в мультипликации, наложении спецэффектов в фильмах и видеоиграх, симуляторах и средствах дополненной реальности, а также для более точной настройки методов машинного обучения работе с изображениями за счет вариации их стиля и адаптации стиля под целевую предметную область. Помимо отдельных изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и т.д.). Основные методы стилизации были предложены в последние 5 лет и опираются на глубинные нейронные сети, базовому изучению которых посвящена существенная часть курса.
Лектор Виктор Владимирович Китов, к.ф.-м.н., преподаватель кафедры мат. методов прогнозирования. v.v.kitov(на)yandex.ru, .
Расписание Занятия проходят по пятницам в 16-20 в ауд. 606. Первое занятие будет 22 февраля.
Программа - Введение в машинное и глубинное обучение - Алгоритмы настройки нейросетей. Регуляризация. - Основные архитектуры сверточных нейросетей. - Методы стилизации, основанные на сближении распределений. - Методы стилизации, основанные на сопоставлении участков изображений. - Методы стилизации видеопоследовательностей. - Генеративно-состязательные сети и их применения для стилизации и повышения качества изображений.
Курс посвящен алгоритмам машинного обучения (machine learning), которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их прогнозирования, анализа, компактного описания и визуализации. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также рассматриваются смежные области - эффективное снижение размерности пространства, выделение наиболее значимых признаков для предсказания, методы оценивания и сравнения вероятностных распределений, рекомендательные системы и планирование экспериментов.
От студентов требуются знания линейной алгебры, математического анализа, теории вероятностей и математической статистики.
Программа курса
Частичное обучение
Рекомендуемые ресурсы по Python
- Примеры для начинающих: краткое руководство с примерами по Python 2
- Python from scratch: A Crash Course in Python for Scientists
- Коллекция интересных IPython ноутбуков
- Лекции Scientific Python
- Книга: Wes McKinney «Python for Data Analysis»
- Официальный сайт
- Научные библиотеки: NumPy, Pandas, SciKit-Learn, Matplotlib.
