Продвинутые методы машинного обучения
Старт нового потока – сентябрь 2022
Стоимость обучения –
153 000 руб.
Программа профессиональной переподготовки
Дополнительное профессиональное образование Физтех-школа прикладной математики и информатики МФТИ приглашает пройти обучение на программе Продвинутые методы машинного обучения.

Обучение проводится совместно с основной магистратурой Алгоритмы и технологии программирования.

- без вступительных экзаменов

- среда обучения приближенная к реальной работе

- преподаватели и студенты занимают топовые позиции в крупных IT-компаниях

Вас ждут сложные задачи, интенсивная самостоятельная работа.
Выбрав профессию, Вы присоединяетесь к группе и проходите программу профессиональной переподготовки вместе с основной магистратурой.

Формат
Поддержка
Учим онлайн из любой точки мира
Записи занятий
Диплом
Чат поддержки студентов 24 часа в сутки
Смотрите запись занятия в удобное время
Пройдите программу и получите диплом о профессиональной переподготовке
Для успешного прохождения нужно владеть Python, знаниями базовой математики, основами линейной алгебры, математической статистики, основами машинного обучения, Spark, Hadoop.
Не уверены, что готовы к успешному прохождению программы? Пройдите тест и проверьте свои знания
Необходимый уровень знаний
КУРС АНАЛИЗ ИЗОБРАЖЕНИЙ
Старт: сентябрь
Длительность: 4 месяца
Занятия 1 раз в неделю
Введение в анализ изображений. Основы обработки изображений
Введение в анализ изображений.
Задачи компьютерного зрения – метрическое и семантическое зрение.
Возникающие трудности и визуальные подсказки.
Примеры современных систем и алгоритмов компьютерного зрения.
Устройство камеры и оптической системы человека.
Модели цвета.

Основы обработки изображений (часть 1)
Основные задачи обработки изображений.
Цветокоррекция изображений. Гистограммы, линейная и нелинейная коррекции яркости. Модели камеры и цветокоррекции.
Виды шума. Операция свертки. Фильтр гаусса, медианный фильтр, повышение резкости. Выравнивание освещенности – алгоритм Retinex. Метрика PSNR.
Выделение краев, алгоритм Canny.

Основы обработки изображений (часть 2)
Частотное представление изображений, частотная фильтрация изображений, алгоритм JPEG. Простая сегментация изображений - бинаризация, выделение связанных компонент, математическая морфология.
Понятие текстуры.
Эвристические методы распознавания с помощью признаков сегментов.
Выделение базовых объектов на изображениях. Геометрические модели сопоставления изображений
Локальные особенности изображений
Задача сопоставления изображений. Понятие локальной особенности.
Детекторы Харриса, LoG, DOG, Harris-Laplacian.
Сопоставление особенностей по дескрипторам - метод SIFT, аффинная адаптация.

Оценка параметров моделей
Задачи оценки параметров геометрических моделей.
DLT-метод для линий и преобразований.
Робастные алгоритмы - М-оценки, стохастические алгоритмы, схемы голосования. Применение для построения панорам и поиска объектов.
Основы машинного обучения. Обнаружение объектов
Категоризация изображений
Понятие категории.
Распознавание категорий человеком.
Общая схема категоризации изображений. Признаки. Гистограммы признаков, пирамиды. Визуальные слова и "мешок слов".

Выделение категорий на изображениях
Задача выделения категорий объектов на изображении. Скользящее окно. Применение "мешка слов" для выделения объектов.
Метод HOG + SVM, размножение выборки и бутстраппинг.
Методы на основе слабых классификаторов. Алгоритм поиска лиц Viola-Jones, признаки Хоара, интегральные изображения.
Пути развития детекторов и современное состояние.

Поиск изображений по содержанию
Варианты постановки задачи - поиск полудубликатов, поиск похожих, поиск по классам. Поиск на основе цветовых гистограмм (QBIC).
Дескриптор GIST.
Поиск полудубликатов - приближенные методы ближайшего соседа, инвертированный индекс, хэширование.
Поиск на основе "Мешка слов", обратный индекс, использование пространственной информации для повышения точности.
Нейросетевые подходы к анализу изображений. Основные задачи и алгоритмы
Интернет-зрение
Большие коллекции изображений и методы их составления.
Дополнение изображений (Image completion) с помощью больших коллекций. Классификация изображений с помощью больших коллекций.
Фотоколлажи. Shape context. Объектные фильтры.

Оптический поток и вычитание фона
Введение в обработку и анализ видео.
Понятие оптического потока. Глобальные и локальные (Lucas-Kanade) методы оценки оптического потока.
Вычитание фона (BS - background subtraction). Алгоритмы BS: одна гауссиана, смесь гауссиан, поблочные методы, объединение локальных и глобальных цветовых моделей.

Сопровождение объектов и распознавание событий в видео
Задача сопровождения объектов в видео, постановки, критерии качества и проблемы.
Сопровождение одного объекта - сопоставления шаблонов, на основе Chamfer-метрики, MeanShift, Flock of features, комбинации методов.
Сопровождение множества объектов - сопровождение через сопоставление.
Распознавание событий в видео, тестовые базы, автоматическая разметка видео. Методы распознавания - дескрипторы на основе оптического потока, локальные особенности, классификация, прицеливание.

Компьютерное зрение реального времени
Алгоритмы дополненной реальности, требования к ним.
Решающий лес как один из базовых методов для дополненной реальности.
Регистрация изображений в реальном времени.
Система Kinect и оценка позы человека в реальном времени.
КУРС АНАЛИЗ ТЕКСТОВ
Старт: февраль
Длительность: 4 месяца
Занятия 1 раз в неделю
Intro to NLP

Lecture: Word embeddings
Distributional semantics. Count-based (pre-neural) methods. Word2Vec: learn vectors. GloVe: count, then learn. N-gram (collocations) RusVectores. t-SNE.
Practical: word2vec, fasttext

Lecture: RNN + CNN, Text classification
Neural Language Models: Recurrent Models, Convolutional Models. Text classification (architectures)
Practical: Classification with LSTM, CNN

Lecture: Language modelling and NER
Task description, methods (Markov Model, RNNs), evaluation (perplexity), Sequence Labelling (NER, pos-tagging, chunking etc.) N-gram language models, HMM, MEMM, CRF
Practical: NER

Lecture: Machine translation, Seq2seq, Attention, Transformers
Basics: Encoder-Decoder framework, Inference (e.g., beam search), Eval (bleu). Attention: general, score functions, models. Bahdanau and Luong models.
Transformer: self-attention, masked self-attention, multi-head attention.

Lecture: Transfer learning in NLP
Bertology (BERT, GPT-s, t5, etc.), Subword Segmentation (BPE), Evaluation of big LMs.
Practical: transformers models for classification task,
Practical: Transfer learning

Lecture & Practical: How to train big models?

Part1. Distributed training, Part2. RuGPT3 Training
Training Multi-Billion Parameter Language Models. Model Parallelism. Data Parallelism.
Practical: DDP example

Lecture: Syntax parsing
Practical: Syntax

Lecture: Question answering
Practical: seminar QA, seminar chatbots
Squads (one-hop, multi-hop), architectures, retrieval and search, chat-bots

Lecture: Summarization, simplification, paraphrasing
Practical: summarization seminar

Lecture: Knowledge Distillation in NLP
КУРС МАШИННОЕ ОБУЧЕНИЕ НА БОЛЬШИХ ОБЪЁМАХ ДАННЫХ
Старт: сентябрь
Длительность: 4 месяца
Занятия 1 раз в неделю
Методы оптимизации и линейные модели
Машинное обучение с учителем на больших данных. Закон Ципфа. Тематическое моделирование.
Метод стохастического градиента. Постановка задачи. Оптимизации обучения на больших данных: градиентный спуск, стохастический градиент.
Признаки. Пространства признаков, веса признаков, нормализация признаков. Генерация и хеширование признаков.
Онлайн обучение линейных моделей. Метод стохастического градиента: выбор функции потерь. Оценка качества метода стохастического градиента. Алгоритм Бутстрап.
Хеширование, чувствительное к расстоянию (LSH). Меры сходства: расстояние Жаккара, Хемминга, косинусное расстояние, Евклидово расстояние.
Оптимизация и тестирование гиперпараметров. Симплекс-метод.
Алгоритмы работы с графами большого размера
Графы, их виды. Стохастический граф.
Представление графа: матрицы смежности, инцидентности, достижимости. Списки смежности. Алгоритмы перевода из одного представления в другое.
Социальный граф. Задача поиска общих друзей в социальном графе. Язык DSL.
Граф пользовательских предпочтений.
Использование подхода BigData в анализе графов
Информационный поиск
Постановка ранжирования. Основные подходы к решению задачи ранжирования
Метрики измерения точности ранжирования. Кликовые модели.
Тематическое моделирование и его связь с ранжированием.
Проблемы тематического моделирования при больших данных. AD-LDA, его недостатки, Y!LDA, Mr. LDA. ARTM. Архитектура библиотеки BigARTM. Online LDA и его применение в Vowpal Wabbit.
Рекомендательные системы
Рекомендательные системы, постановка задачи предсказания / рекомендации. Классификация рекомендательных систем. Неперсонализированные рекомендательные системы, content-based рекомендательные системы.
Задачи коллаборативной фильтрации, транзакционные данные и матрица субъекты—объекты. Корреляционные методы, методы сходства (neighbourhood) - user-based, item-based.
Латентные методы на основе матричных разложений. Методы ALS и iALS.
Современные рекомендательные системы: рекомендательные системы, основанные на учете контекста (context aware); аспектные рекомендательные системы (aspect-aware), рекомендательные системы на основе тензорных разложений.

Руководитель программы

Как проходит обучение

Лекции и семинары в Zoom
Запись занятия и доступ на время обучения
Контрольные работы в качестве промежуточной проверки знаний
Обратная связь на домашние задания
Возможность задать вопрос в чате с преподавателем и студентами 24 часа в сутки
В конце курса письменный или устный экзамен
Отзывы
Антон
Курс «Анализ текста» , 1 поток
Отличный курс для всех кому интересно погрузиться в тему обработки естественного языка с помощью машинного обучения. Курс подойдет как совсем новичкам, так и тем, у кого уже есть бэкграунд в этой области. Вы начнете с простых статистических подходов и закончите написанием своих deep learning языковых моделей. Этот курс можно сочетать с работой или учебой где-то еще.
После прохождения программы Вы получите
Диплом МФТИ о профессиональной переподготовке
Возможность пройти любой курс Лаборатории инноватики ФПМИ МФТИ со скидкой 35%

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как и когда я буду учиться?
Занятия проходят 1-2 раза в неделю по 2-4 академических часа, по предварительно составленному расписанию. Преподаватель проводит практические занятия дистанционно, в форме вебинаров с использованием платформы ZOOM или аналогичной. Самостоятельная работа выполняется слушателем в удобном для слушателя режиме. Параллельно с обучением Вы будете добавлены в чат, где сможете общаться со своими сокурсниками, куратором школы и преподавателем: задавать вопросы, делиться опытом
Смогу ли я посмотреть занятие в записи?
Вы сможете пересмотреть занятие в записи, если не смогли присоединиться или хотите повторить пройденную тему. Запись будет доступна на следующий день после занятия и далее на весь срок обучения.
Что делать если я не справлюсь с нагрузкой?
Если почувствуете, что нагрузка слишком велика, то вы можете:

Перенести сроки обучения на следующий поток.
Перейти на другой курс обучения.
Вы сможете сделать возврат средств за ту часть обучения, которую не прошли.
К примеру, вы оплатили обучение целиком, но отучились только два месяца — мы вернём деньги за оставшиеся месяцы обучения.
Смогу ли я получить диплом?
Закончив успешно курсы входящие в профессию вы получите диплом о профессиональной переподготовке МФТИ.
Как можно оплатить?
Вы можете оплатить всю стоимость обучения сразу, а также оплатить обучение в рассрочку. Первый платеж должен быть осуществлен до начала обучения.

После подтверждения участия в программе, мы высылаем оферту с графиком платежей и ссылку на оплату. Оплатить можно банковской картой.
После оплаты Вам придут:
1. Письмо с ссылками на подключения в чат и страница с актуальной информацией о курсе.
2. Письмо с формой Регистрационной анкеты (необходимо загрузить копии паспорта и диплома о высшем или среднем профессиональном образовании).
3. За три дня до старта курса придет письмо с расписанием лекций.
Кто будет меня учить?
Мы подбираем преподавателей в соответствии с задачами, опытом и уровнем участников программы.
Каким требованиям нужно соответствовать чтобы начать обучение?
Для того чтобы начать обучение Вы должны иметь диплом о высшем или среднем профессиональном образовании или справку о том, что обучаетесь сейчас. Возможность уделять время учебе не менее 8 часов в неделю. Иметь базовые знания по содержанию курса.
Как и когда я буду учиться?
Занятия проходят 1-2 раза в неделю по 2-4 академических часа, по предварительно составленному расписанию. Преподаватель проводит практические занятия дистанционно, в форме вебинаров с использованием платформы ZOOM или аналогичной. Самостоятельная работа выполняется слушателем в удобном для слушателя режиме. Параллельно с обучением Вы будете добавлены в чат, где сможете общаться со своими сокурсниками, куратором школы и преподавателем: задавать вопросы, делиться опытом
Смогу ли я посмотреть занятие в записи?
Вы сможете пересмотреть занятие в записи, если не смогли присоединиться или хотите повторить пройденную тему. Запись будет доступна на следующий день после занятия и далее на весь срок обучения.
Что делать если я не справлюсь с нагрузкой?
Если почувствуете, что нагрузка слишком велика, то вы можете:

Перенести сроки обучения на следующий поток.
Перейти на другой курс обучения.
Вы сможете сделать возврат средств за ту часть обучения, которую не прошли.
К примеру, вы оплатили обучение целиком, но отучились только два месяца — мы вернём деньги за оставшиеся месяцы обучения.
Смогу ли я получить диплом?
Закончив успешно курсы входящие в профессию вы получите диплом о профессиональной переподготовке МФТИ.
Как можно оплатить?
Вы можете оплатить всю стоимость обучения сразу, а также оплатить обучение в рассрочку. Первый платеж должен быть осуществлен до начала обучения.

После подтверждения участия в программе, мы высылаем оферту с графиком платежей и ссылку на оплату. Оплатить можно банковской картой.
После оплаты Вам придут:
1. Письмо с ссылками на подключения в чат и страница с актуальной информацией о курсе.
2. Письмо с формой Регистрационной анкеты (необходимо загрузить копии паспорта и диплома о высшем или среднем профессиональном образовании).
3. За три дня до старта курса придет письмо с расписанием лекций.
Кто будет меня учить?
Мы подбираем преподавателей в соответствии с задачами, опытом и уровнем участников программы. Вы получите актуальные знания и навыки на рынке.
Каким требованиям нужно соответствовать чтобы начать обучение?
Для того чтобы начать обучение Вы должны иметь диплом о высшем или среднем профессиональном образовании или справку о том, что обучаетесь сейчас. Возможность уделять время учебе не менее 8 часов в неделю. Иметь базовые знания по содержанию курса.
Почему стоит выбрать МФТИ
1 место
в рейтинге Superjob в сфере
ТОП 3
в рейтинге Forbes
лучших вузов России
10 нобелевских лауреатов
среди выпускников и преподавателей
Более 80
академиков и членов-корреспондентов РАН
Почему Вам стоит выбрать МФТИ
1 место
в рейтинге Superjob в сфере
ТОП 3
в рейтинге Forbes
лучших вузов России
10 нобелевских лауреатов
среди выпускников и преподавателей
Более 80
академиков и членов-корреспондентов РАН
Андрей Райгородский о ФПМИ МФТИ
Доктор физико-математических наук, профессор, директор Физтех-школы прикладной математики и информатики (ФПМИ)
“Физтех-школа прикладной математики и информатики (ФПМИ) МФТИ – безусловно ведущий мировой центр науки и образования в области математики и информатики. Особенность нашей школы заключается в том, что она сочетает в себе активную научную деятельность и тесную связь с индустрией. На сегодняшний день школа включает в себя 28 кафедр и 22 лаборатории от ключевых академических институтов и ключевых представителей IT-индустрии: Яндекс, Тинькофф, Сбербанк, VK, Abbyy, 1C, Huawei и другие.

Наша школа и МФТИ в целом гордимся своими выпускниками, например, мы занимаем первое место в рейтинге вузов России по уровню зарплат занятых в IT-отрасли специалистов ".
Подать заявку и получить консультацию
Нажимая кнопку «Отправить», вы соглашаетесь с условиями обработки персональных данных
Оплата обучения возможна в рассрочку
(только для физических лиц)
Оплата обучения возможна в рассрочку
(только для физических лиц)