Машинное обучение, часть 2
Новосибирск, осень 2021
Описание
Курс является второй частью годового курса. В нём более подробно затрагиваются другие методы машинного обучения.
В этом семестре пройдёт в гибридном формате: часть семинаров будут идти в Zoom, а остальные – в аудитории 3142 НГУ. За местом проведения каждого семинара следите на странице занятия.
Ссылка для подключения к удалённым занятиям на весь семестр: https://us02web.zoom.us/j/81815346399. Код доступа: 383841.
Теория
Теорию можно будет постигать аж двумя способами: слушая лекции или читая учебник. В некоторых случаях полнее будут лекции, в некоторых — учебник; мы дадим вам знать, если в учебнике чего-то нет (и надо обязательно слушать лекцию) или там есть что-то интересное и дополнительное.
За неделю до практического занятия будет публиковаться ссылку на главу, которую надо будет почитать к занятию (или на несколько глав). А чтобы вам было проще осмыслить происходящее, к главе будут прилагаться ещё вопросы на подумать. Их можно не смотреть, если не хочется, но вы ведь хотите разобраться в машинном обучении, правда?
Обсуждать главы можно будет тут. Доступ, если у вас его ещё нет, можно попросить через форму.
Безусловно, по ходу дела вам будут встречаться опечатки, непонятности, ошибки, да и мало ли вообще что. Не держите свои вопросы, предложения и возмущения в себе, делитесь с нами! Всем будет удобнее, если вы будете делать мёрдж-реквесты, но если вы боитесь такого, то пишите в чат.
А где найти записи лекций Константина Воронцова? Их можно посмотреть вот тут
Практика
Мы предполагаем, что до занятия вы прочитали соответствующую главу. Поэтому будем делать упор на отработку материала, а не на повторение основных понятий.
Основной канал связи
Все возникающие по ходу курса вопросы можете задавать в канале курса в Slack: #ml-2-nsk-21.
Разбалловка
- Зачёт: не менее 20 баллов
- Хорошо: от 35 до 55 баллов
- Отлично: 55 и более баллов
Если у вас не хватает до более высокой оценки менее 1 балла, то мы округлим в вашу пользу ;-)
Преподаватели
Список лекций
Рассказ про вероятностные модели с латентными переменными в лице гауссовских смесей и про алгоритм обучения.
Self-supervised в картинках и NLP
Глава в учебнике
GradCAM
LIME
Пути в пространстве скрытых переменных для генеративных моделей
Карты внимания (ViT, DINO)