Нейросетевые методы обработки изображений (В.В.Китов)

Материал из MachineLearning.

Версия 10:26, 9 февраля 2026 (править) Victor Kitov (Обсуждение | вклад) м (→О курсе) ← К предыдущему изменению		Текущая версия (08:27, 11 февраля 2026) (править) (отменить) Victor Kitov (Обсуждение | вклад)
(2 промежуточные версии не показаны)
Строка 1:		Строка 1:
	__NOTOC__		__NOTOC__
	[[Категория:Учебные курсы]]		[[Категория:Учебные курсы]]
-
-	==Описание 2025 года, в 2026 будут новые темы==
	==О курсе==		==О курсе==
-	Спецкурс посвящён основам глубокого обучения, а также задачам классификации, сегментации и генерации изображений, используя нейросетевой перенос стиля (neural style transfer) и генеративно-состязательные сети (generative adversarial networks).	+	Спецкурс познакомит слушателей с нейросетями, методами их обучения и регуляризации, задачами обработки изображений, последовательностей и текстов. Будут изучены как задачи классификации и регрессии, так и генеративные модели порождения новых изображений и текстов.
-		+
-	Курс самодостаточный, основные понятия и задачи вводятся и подробно разбираются, поэтому спецкурс будет полезен слушателям, не имевшим предварительного знакомства с нейросетями.	+
-		+
-	Спецкурс является практико-ориентированным: помимо теории большое внимание уделяется разбору практической реализации изучаемых архитектур. В этом смысле спецкурс является органичным дополнением обязательного курса “Глубокое машинное обучение”.	+
-		+
-	В частности, разбираются основы работы с библиотекой PyTorch, реализации многослойного персептрона, автокодировщика, симаских сетей, RBF-сетей, свёрточных и генеративно-состязательных сетей.	+
-	Для прохождения спецкурса необходимо сдать устный экзамен по основным теоретическим темам, а также сдать практикум.	+	Изложение будет вестись с самых основ, поэтому спецкурс подойдет бакалаврам 2 и 3 курса. Бакалаврам 4 курса спецкурс будет интересен тем, что в нём особый акцент будет сделан на практическую реализацию нейросетей.
-	Пройденный спецкурс вы можете позже перезачесть в учебной части на 4м курсе (по учебному плану вам тогда нужно проходить спецкурс по выбору).	+	В частности, будут практические семинары на Python+PyTorch по сравнению методов оптимизации и регуляризации нейросетей, классификации/локализации/стилизации и генерации изображений. Применим продвинутые архитектуры для распознавания пользовательских действий по данным акселерометров, создадим систему автодополнения поисковых запросов и развернём чат-бота локально на компьютере.
	==Лектор==		==Лектор==
Строка 41:		Строка 33:
	* Задача переноса стиля и её практическая реализация.		* Задача переноса стиля и её практическая реализация.
	* Генеративно-состязательные сети.		* Генеративно-состязательные сети.
-	* Реализация генеративно-состязательных сетей в PyTorch.	+	* Рекуррентные сети, трансформеры, обработка текстов.
	==Практикум==		==Практикум==
Строка 54:		Строка 46:
	==Время занятий==		==Время занятий==
-	По понедельникам 16:50 - 18:20, ауд. 510.	+	По понедельникам 18:00 - 19:30 (можем немного позже заканчивать), ауд. 658.
-	Первое занятие - 17.02.2025.	+	Первое занятие - 16.02.2026.
	==Рекомендуемые ресурсы==		==Рекомендуемые ресурсы==

---

Текущая версия

О курсе

Спецкурс познакомит слушателей с нейросетями, методами их обучения и регуляризации, задачами обработки изображений, последовательностей и текстов. Будут изучены как задачи классификации и регрессии, так и генеративные модели порождения новых изображений и текстов.

Изложение будет вестись с самых основ, поэтому спецкурс подойдет бакалаврам 2 и 3 курса. Бакалаврам 4 курса спецкурс будет интересен тем, что в нём особый акцент будет сделан на практическую реализацию нейросетей.

В частности, будут практические семинары на Python+PyTorch по сравнению методов оптимизации и регуляризации нейросетей, классификации/локализации/стилизации и генерации изображений. Применим продвинутые архитектуры для распознавания пользовательских действий по данным акселерометров, создадим систему автодополнения поисковых запросов и развернём чат-бота локально на компьютере.

Лектор

Виктор Владимирович Китов, к.ф.-м.н., преподаватель кафедры математических методов прогнозирования ВМК МГУ.

Почта: v.v.kitov(at)yandex.ru.

Требования к слушателям

Необходимы базовые знания по математическому анализу, линейной алгебре и теории вероятностей. Предварительных знаний по нейронным сетям и методам обработки изображений не требуется.

Программа курса

• Введение в глубокое обучение.
• Многослойный персептрон. Основные функции активации и функции потерь.
• Автокодировщик.
• Работа в среде Jupyter Lab, Jupyter Notebook. Средства отладки кода.
• Методы оптимизации нейросетей.
• Основы работы с PyTorch, автоматическое дифференцирование, реализация простейших нейросетей.
• Операции свёртки и пулинга. Свёрточные нейросети для обработки текстов и изображений.
• Основные свёрточные архитектуры для классификации изображений.
• Реализация свёрточных сетей и использование предобученных сетей в PyTorch.
• Сегментация изображений.
• Реализация задачи супер-разрешения (super-resolution) и сиамских сетей в PyTorch.
• Задача переноса стиля и её практическая реализация.
• Генеративно-состязательные сети.
• Рекуррентные сети, трансформеры, обработка текстов.

Практикум

В рамках практикума необходимо реализовать улучшенния базовых архитектур, разобранных на практических семинарах. От студентов второго курса дополнительно требуется сделать презентацию научной статьи.

Прохождение спецкурса

Для успешной сдачи спецкурса необходимо сдать практикум и устный экзамен.

Регистрация на курс

Регистрация на курс происходит на самом спецкурсе по факту посещения, дополнительные действия не требуются.

Время занятий

По понедельникам 18:00 - 19:30 (можем немного позже заканчивать), ауд. 658.

Первое занятие - 16.02.2026.

Рекомендуемые ресурсы

• Авторсий онлайн-учебник по машинному и глубокому обучению
• Учебник школы анализа данных Яндекса по машинному и глубокому обучению
• Образовательные материалы по библиотеке PyTorch
• Поиск google по научным статьям