2026
Особенности практического использования нейронных сетей
Курс посвящен применению глубоких нейронных сетей для решения практических задач, таких как распознавание изображений, сегментация объектов на изображениях, обнаружение дефектов, предсказание временных последовательностей. Приводятся примеры решения данных задач с использованием современных нейросетевых архитектур: сверточных и рекуррентных сетей, автоэнкодеров, трансформеров. Отдельные лекции посвящены методам квантования нейросетевых моделей и подходам к внедрению обученных сетей в пользовательские приложения, выполняемых в том числе на мобильных устройствах. Для построения и обучения нейросетевых моделей используется язык Python с библиотекой PyTorch.
Студентам для самостоятельного решения предлагается ряд упражнений и задач.
Студентам для самостоятельного решения предлагается ряд упражнений и задач.
Преподаватели спецкурса
Буряк Дмитрий Юрьевич
Кандидат физико-математических наук
Доцент кафедры СКИ ВМК МГУ
Доцент кафедры СКИ ВМК МГУ
Основные научные интересы: цифровая обработка сигналов, машинное обучение, глубокое обучение
Требования к слушателям
Курс рассчитан на студентов бакалавриата и магистратуры, имеющих базовые знания по разработке нейронных сетей и владеющих основами программирования на языке Python.
- Основные компоненты, входящие в конвейер разработки нейронных сетей с помощью библиотеки PyTorch: предобработка данных, создание нейросетевых архитектур и их обучение, основные инструменты для повышения эффективности обучения, вычисление метрик качества, сериализация моделей.
- Разработка сверточных нейронных сетей для распознавания изображений.
- Разработка нейросетевой модели для решения задачи сегментации на примере архитектуры YOLO.
- Применение автоэнкодеров для решения задачи обнаружения дефектов объектов по их изображениям.
- Архитектура трансформеров.
- Решение задач предсказания временных последовательностей при помощи рекуррентных сетей и трансформеров.
- Методы квантования нейронных сетей, реализованные в библиотеке PyTorch
- Методы внедрения обученных нейросетевых моделей.
В рамках лекций студентам предлагается самостоятельно выполнить ряд упражнений, связанных с применением и модификацией программных реализаций, рассматриваемых на занятии. Данные упражнения направлены на улучшение освоения лекционного материала и рекомендуются к выполнению.
Также в течение всего курса каждому студенту необходимо выполнить и сдать 3 домашних задания на разработку нейросетевых моделей для решения конкретных задач.
Выполнение этих заданий является необходимым условием для допуска к экзамену/зачету.
Также в течение всего курса каждому студенту необходимо выполнить и сдать 3 домашних задания на разработку нейросетевых моделей для решения конкретных задач.
Выполнение этих заданий является необходимым условием для допуска к экзамену/зачету.
Студенты, прослушавшие курс, научатся проектировать и обучать глубокие нейронные сети для решения реальных практических задач. Узнают особенности современных архитектур глубоких сетей. Получат навыки разработки нейросетевых решений и внедрения обученных моделей в конечные пользовательские приложения с применением библиотеки Pytorch.