Study program: 122 Computer Science

Degree: Master

Type of module: lectures, practical work

Lecturer: Assoc. Prof., PhD Zulfiia Imanhulova / доцент, к.т.н. Зульфія Імангулова

Language: English

Credit Points: 5 ECTS

Description:
The discipline is dedicated to deep learning methods, a new generation of neural network machine learning methods that have caused a rapid surge in development in a number of application areas. The discipline is primarily aimed at developing students' skills in solving applied problems using deep neural networks. Content module 1. Introduction to deep learning. 1.1. Supervised learning in neural networks (NN). 1.2. Gradient descent for NN. 1.3. Forward and backward propagation. Parameters and hyperparameters in NN. Content module 2. Improving deep NN: tuning hyperparameters, regularization and optimization. 2.1. Bias and variance in NNs. 2.2. Methods of regularization of NN parameters. 2.3. Training on mini batches. 2.4. Algorithms for optimizing NN parameters. Content module 3. Convolutional NN. 3.1. Computer vision. 3.2. Structure of convolutional NN. Different models of convolutional NN. 3.3 Object detection task.

Дисципліна присвячена методам глибинного навчання - новому поколінню нейромережних методів машинного навчання, які викликали бурхливий сплеск розвитку в ряді прикладних областей. Дисципліна спрямований на формування у студентів навичок вирішення прикладних завдань за допомогою глибинних нейронних мереж. Змістові модулі та теми: 1. Введення до глибинного навчання. 1.1. Кероване навчання в нейронних мережах (НМ). 1.2. Градієнтний спуск для НМ. 1.3.Пряме і зворотне поширення. Параметри і гіперпараметри в НМ. 2. Удосконалення глибинних НМ: настроювання гіперпараметрів, регуляризація та оптимізація. 2.1. Зміщення і дисперсія в НМ. 2.2. Методи регуляризації параметрів НМ. 2.3. Навчання на міні вибірках. 2.4. Алгоритми оптимізації параметрів НМ. 3. Згорткові НМ. 3.1. Комп’ютерний зір. 3.2. Будова згорткової НМ. 3.3. Перенос навчання. 3.3. Задача виявлення об’єктів.