
О курсе
Программа курса
Тест по Deep Learning
Нормализационные потоки и метрики качества генерации
Метрики качества генерации
Нормализационные потоки
Практика по нормализационным потокам
Сложные задачи Computer Vision
Stable Diffusion
Vision Transformers (ViT)
Обзор других существующих решений
Трехмерное компьютерное зрение
Классические методы
Нейросетевые методы
Рекомендательные системы - 1
Введение в рекомендательные системы
Коллаборативная фильтрация
Матричные разложения
Домашнее задание
Рекомендательные системы - 2
Метрики качества рекомендаций
ML-подход
Факторизационные машины
Домашнее задание
Рекомендательные системы - 3
ALS для обучения рекомендательных систем
Deep Learning-подходы для построения рекомендаций (обзор)
Заключительный урок: материалы и тестирование
Методы объяснения DL-моделей
Введение
Learned Features [CNN] Визуализация карт активации
Learned Features [CNN] Network Dissection
Learned Features [CNN]: Практика
Gradient-based explainability | Saliency Maps
Большие языковые модели (Large Language Models)
Введение в LLM
Обзор некоторых архитектур
Запускаем LLM
PEFT
PEFT
Домашнее задание
Графовые нейронные сети
Введение в графовые нейронные сети
Некоторые архитектуры GNN
Практический запуск GNN
Обучение с подкреплением
Reinforcement Learning
Deep Learning для звука: введение в домен
Хранение звука в компьютере
Базовые характеристики звука
Преобразование Фурье и Спектрограммы
DL для звука: задачи и модели
Стандартные задачи на аудио
Задачи работы со звуком: Audio-to-Audio
Audio-visual задачи
Audio-Tasks: тест на понимание области
Итоговый модуль курса
Итог