Продвинутые методы глубинного обучения

- Программа курса
- Тест по Deep Learning

- Метрики качества генерации
- Нормализационные потоки
- Практика по нормализационным потокам

- Stable Diffusion
- Vision Transformers (ViT)
- Обзор других существующих решений

- Классические методы
- Нейросетевые методы

- Введение в рекомендательные системы
- Коллаборативная фильтрация
- Матричные разложения
- Домашнее задание

- Метрики качества рекомендаций
- ML-подход
- Факторизационные машины
- Домашнее задание

- ALS для обучения рекомендательных систем
- Deep Learning-подходы для построения рекомендаций (обзор)
- Заключительный урок: материалы и тестирование

- Введение
- Learned Features [CNN] Визуализация карт активации
- Learned Features [CNN] Network Dissection
- Learned Features [CNN]: Практика
- Gradient-based explainability | Saliency Maps

- Введение в LLM
- Обзор некоторых архитектур
- Запускаем LLM

- PEFT
- Домашнее задание

- Введение в графовые нейронные сети
- Некоторые архитектуры GNN
- Практический запуск GNN

- Хранение звука в компьютере
- Базовые характеристики звука
- Преобразование Фурье и Спектрограммы

- Стандартные задачи на аудио
- Задачи работы со звуком: Audio-to-Audio
- Audio-visual задачи
- Audio-Tasks: тест на понимание области

- Чем RL не похож на всё остальное
- Deep RL
- RLHF: как RL попал в языковые модели
- Практика

- Итог