Семестр 5. Обработка данных, машинное обучение и нейронные сети на Python

Занятие 1

Входная проверочная работа.

Знакомство с основными библиотеками и инструментами:

• Google Colaboratory, Jupyter Notebook.
• Библиотеки для работы со структурами данных.
• Упражнения – работа со встроенными в Python структурами данных.

Занятие 2

Введение в машинное обучение:

• Основные задачи, которые могут быть решены с помощью алгоритмов машинного обучения.
• Виды обучения: с учителем и без учителя.
• Первичная обработка данных.
• Знакомство c библиотекой Scikit-learn.
• Упражнения – построение первой модели машинного обучения.

Занятие 3

Основные алгоритмы машинного обучения:

• Существующие алгоритмы машинного обучения: отличительные особенности, сравнение.
• Способы оценки построенных моделей.
• Упражнения – реализация различных алгоритмов, сравнение результатов их работы.

Занятие 4

Проверочная работа по алгоритмам машинного обучения.

Матрицы:

• Определение матрицы, основные действия над матрицами.
• Понятия конволюции и деконволюции, их место в машинном обучении.
• Знакомство со встроенными функциями Python для совершения действия над матрицами.
• Упражнения – разработка собственных функций для совершения действий над матрицами.

Занятие 5

Обработка изображений:

• Что такое изображение с точки зрения программиста.
• Импорт изображений в матрицу.
• Совершение простейших действий над изображениями (удаление помех, изменение размеров, повышение резкости и контрастности и т.д.).
• Упражнения – обработка изображений с помощью библиотек Python.

Занятие 6

Введение в нейронные сети:

• Изучение строения простейшей нейронной сети.
• Знакомство с библиотекой PyTorch, сравнение PyTorch с другими библиотеками на Python для работы с нейронными сетями.
• Упражнения – создание простейшей нейронной сети без использования дополнительных библиотек; решение задачи классификации изображений с помощью библиотеки PyTorch.

Занятие 7

Предобученные нейронные сети:

• Предобученные нейронные сети: что это такое, где найти, как использовать.
• Способы дообучения нейронных сетей для решения конкретной задачи.
• Упражнения – решение задачи классификации изображений с использованием предобученных нейронных сетей.

Занятие 8

Виды нейронных сетей:

• Строение нейронной сети, выбор архитектуры нейронной сети в зависимости от конкретной задачи.
• Проблема переобучения нейронной сети и методы её решения.
• Алгоритм градиентного спуска.
• Упражнения – классификация текстов с помощью нейронных сетей.

Занятие 9

Тест по терминологии, применяемой в машинном обучении и глубоком обучении.

Обработка аудиоданных:

• Что такое звук с точки зрения программиста.
• Библиотеки для работы с аудио в Python.
• Упражнения – разработка программ, обрабатывающих аудиоданные.

Занятие 10

Применение нейросетей в задачах классификации аудиоданных:

• Извлечение различных признаков из аудиоданных.
• Задачи классификации аудиоданных и распознавания речи.
• Упражнения – применение нейросетей для работы с аудиоданными.

Занятие 11

Систематизация знаний по машинному обучению:

• Факторы, влияющие на качество построенной модели.
• Последние достижения в области машинного обучения и нейросетей.
• Повторение пройденного материала, упражнения для подготовки к экзамену.

Занятие 12

Итоговое занятие:

• Экзаменационный тест.
• Экзаменационное задание.
• Подведение итогов курса, варианты дальнейшего обучения.