Анотация

---

Дисциплината „Съвременни методи за машинно обучение” запознава студентите с методите и средствата за създаване на дълбоки невронни мрежи (НМ). Разглеждат се видовете активиращи функции добавящи нелинейност в НМ и такива за оценка на нейната загубата (loss). Курсът акцентира върху видовете грешки на модела за машинно обучение и техниките за минимизацията им, като регуляризация и бомбардиране с нули, водещи до генерализация на модела и повишане на точноста му върху непознати тестови множества.

Съдържание

---

Специално внимание е обърнато на понятието конволюция и как то се прилага практически в разпознаването на изображения чрез дълбоки конволюционни невронни мрежи. Разглеждат се алгоритми за откриване и класификация на обекти в растерно изображение.
Дисциплината илюстрира приложението на дълбоки невронни мрежи в обработката на естествени езици (OEE – NLP на английски). Въвежда се понятието вектор на дума. Обяснява се приложенито му при класификация на текст. Дефинира се понятието рекурентна LSTM клетка и нейните разновидности. Илюстрира се приложенето на LSTM клетката в стандартните ОЕЕ задачи – предсказване на следваща буква/дума и генериране на текст. Разглежда се архитекурата „Кодер/декодер“ и базирания на нея модел „Поредица към поредица“ и приложението им в друга стандартна ОЕЕ задача - превод на естествени езици.
Дисциплината дава на студентите теоретични знания и практически умения да конструират, тренират и прилагат дълбоки невронни мрежи чрез инструменталните средства на езика за програмиране Python и библиотеката за машинно обучение Tensorflow на Гугъл.