Спецкурс «Машинное обучение и искусственный интеллект»

ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ

Раздел 1. Теоретические основы машинного обучения.

  1.1 Введение (2 лекции)

Раздел 2. Классические алгоритмы машинного обучения.

  2.1 Алгоритмы классификации. (4 лекции)
  2.2 Алгоритмы регрессии. (1 лекция)
  Контроль по разделу: выполнение лабораторной работы

Раздел 3. Алгоритмы глубокого обучения.

  3.1 Математическая модель нейрона. Полносвязные нейронные сети. (3 лекции)
  3.2 Введение в компьютерное зрение. Свёрточные сети. (7 лекций)
  Контроль по разделу: выполнение лабораторной работы

ПОУРОЧНОЕ ПЛАНИРОВАНИЕ

 1. Основные понятия. Жизненный цикл модели машинного обучения.
 2. Элементы статистической теории обучения.
 3. Задача классификации. Байесовский классификатор.
 4. Байесовский классификатор (продолжение). Оценивание моделей классификации.
 5. Задача регрессии. Линейная регрессия.
 6. Логистическая регрессия.
 7. Деревья решений.
 8. Математическая модель нейрона. Полносвязные нейронные сети.
 9. Обучение нейронных сетей. Введение в PyTorch.
 10. Классификация с помощью полносвязных сетей.
 11. Основные понятия компьютерного зрения.
 12. Сверточные сети.
 13. Сверточные сети в PyTorch. Классификация изображений.
 14. Операция транспонированной свёртки. Сегментация.
 15. Сегментация (продолжение).
 16. Обнаружение объектов. Двухступенчатые и одноступенчатые алгоритмы.
 17. Обнаружение объектов (продолжение)