Анотация

---

Курсът лекции по дисциплината "Избрани методи за машинно обучение" запознава студентите от специалност „Изкуствен интелект“ с най-новите и бързо развиващи се методи и средства за машинно обучение, в това число разнообразието от дълбоки невронни мрежи, рекурентни невронни мрежи, трансформиращи архитектури, динамични мрежи на Бейс и др. Разглеждат се представители на двете основни категории: (i) архитектури базирани на граматики или други конкретни знания за проблема и (ii) емпирични архитектури обучени единствено чрез наблюдения.

Съдържание

---

Лекциите обхващат съвременните конволюционни невронни мрежи (Convolutional Neural Networks, CNN), дълбоки невронни мрежи (Deep Neural Networks, DNN), рекурентни невронни мрежи (Long Short-Term Memory, LSTM; Gated Recurrent Units, GRU; Bidirectional Recurrent Neural Networks, BRNN; Encoder-Decoder Architectures), моделиране със скрити модели на Марков (Hidden Markov Models, HMM), разглеждат се особеностите на Марковските процеси за вземане на решения (Markov Decision Process), Мрежи на Бейс (Bayesian networks, BN), Динамични мрежи на Бейс (Dynamic Bayesian Networks, DBN) и др. Специално внимание е отделено на трансформиращите архитектури (Transformers) и различните механизми за фокусиране на вниманието, както и на генеративно-дискриминативните невронни мрежи (Generative Adversarial Networks, GAN) и дълбоките конволюционни генеративно-дискриминативни невронни мрежи (Deep Convolutional Generative Adversarial Networks, DCGAN).
Лабораторните упражнения позволяват придобиването на практически знания и умения за използването на различните типове методи за машинно обучение, според типа на проблема, наличните ресурси и конкретната постановка на задачата. Разглеждат се някой от най-популярните типови задачи решавани със съвременните методи за машинно обучение: предсказване на времеви редици от данни, обработка на естествен език, класификация на данни, сигнали, изображения.