Генеративные модели в машинном обучении (ИИ 2025) — различия между версиями
Материал из Wiki - Факультет компьютерных наук
| Строка 17: | Строка 17: | ||
| [https://t.me/htutb Уваров Николай] || [https://t.me/sodeniZz Матвеев Денис] || [https://t.me/perkyfever Тихонов Даниил] | | [https://t.me/htutb Уваров Николай] || [https://t.me/sodeniZz Матвеев Денис] || [https://t.me/perkyfever Тихонов Даниил] | ||
|- | |- | ||
| − | | [https://t.me/eiky0u Прудников Николай] || || | + | | [https://t.me/eiky0u Прудников Николай] || [https://t.me/llllllllllIlIIllIllIIIlllIllI Хасенов Ильяс] || |
|- | |- | ||
| [https://t.me/the_overfeeling Герасимов Борис] || || | | [https://t.me/the_overfeeling Герасимов Борис] || || | ||
Версия 20:11, 28 августа 2025
Содержание
О курсе
Курс читается в первом семестре студентам магистерской образовательной программы "Искусственный интеллект".
| Группа | Преподаватели | Zoom |
|---|---|---|
| Базовая | Тихонова Мария, Кантонистова Елена | [ Zoom] |
| Продвинутая | Тихонова Мария, Карагодин Никита | [ Zoom] |
| Ассистенты | |||
|---|---|---|---|
| Уваров Николай | Матвеев Денис | Тихонов Даниил | |
| Прудников Николай | Хасенов Ильяс | ||
| Герасимов Борис | |||
Материалы курса
Ссылка на плейлист курса на VK: [ VK-playlist]
Ссылка на GitHub с материалами курса: GitHub
Ссылка на stepik: Stepik
Расписание базовой группы:
| Занятие | Тема | Записи лекций и семинаров | Материалы на гитхабе | Дополнительные материалы |
|---|---|---|---|---|
| 1 | Задача машинного перевода, механизм внимания, Transformer | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 2 | Токенизация, BERT, дообучение трансформерных моделей | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 3 | Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 4 | Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 5 | Нормализующие потоки | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 6 | Автокодировщики, вариационные автокодировщики | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 7 | Генеративно-состязательные сети, StyleGAN | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 8 | Диффузионные модели | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 9 | Мультимодальные модели, CLIP, Stable Diffusion | [Лекция] [Семинар] | [Лекция] [Семинар] |
Расписание продвинутой группы:
| Занятие | Тема | Записи лекций и семинаров | Материалы на гитхабе | Дополнительные материалы |
|---|---|---|---|---|
| 1 | Применения генеративных моделей, метод максимального правдоподобия, энтропия и KL-дивергенция, задачи генеративных моделей, AR модели | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 2 | Задача машинного перевода, механизм внимания, Transformer | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 3 | Токенизация, BERT, дообучение трансформерных моделей | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 4 | Задача языкового моделирования, GPT, few-shot и zero-shot, инструктивное обучение | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 5 | Технологии современных LLM (Rope, KV-cache), Reasoning, RAG, Open-source LLM | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 6 | Нормализующие потоки, авторегрессионные и линейные потоки, модели NICE, RealNVP и Glow | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 7 | Модели скрытых переменных, ЕМ-алгоритм, вывод вариационной нижней оценки (ELBO) | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 8 | Амортизированный вариационный вывод, трюк репараметризации, VAE | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 9 | [Лекция] [Семинар] | [Лекция] [Семинар] | ||
| 10 | Генеративно-состязательные сети | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 11 | Energy based models, динамика Ланжевена, score matching: Implicit score matching, sliced score matching, denoising score matching, Noise conditioned score network) | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 12 | Прямой и обратный диффузионные процессы, диффузия как модель VAE | [Лекция] [Семинар] | [Лекция] [Семинар] | |
| 13 | [Лекция] [Семинар] | [Лекция] [Семинар] |
Формула оценивания
Общая оценка: 𝟎.𝟔×ДЗ + 𝟎.𝟏×Степик + 𝟎.𝟏×Теормин + 𝟎.𝟐×Экзамен
Stepik
В оценку за Stepik идут только следующие модули:
Важно: Части степика с домашними заданиями делать не нужно (15.4, например). Но нужно ответить на квизы в других его частях (15.1, например).
