Генеративные нейронные сети

Цели и задачи дисциплины

Цель: формирование у студентов знаний и навыков в области генеративных нейронных сетей (GAN, VAE, Diffusion Models), их архитектуры, а также практических навыков разработки, обучения и применения генеративных моделей глубокого обучения для создания новых данных, аналогичных реальным. Задачи: изучить теоретические основы генеративных моделей, освоить методы обучения и оценки качества генеративных моделей, применить знания на практике через реализацию проектов (например, генерация изображений, текстов, музыки)

Краткое содержание дисциплины

Введение в генеративные модели. Основные понятия: генеративные vs. дискриминативные модели. Обзор архитектур: GAN, VAE, Diffusion, Autoregressive модели (GPT). Generative Adversarial Networks (GAN). Принцип работы: генератор vs. дискриминатор. Архитектуры: DCGAN, StyleGAN, CycleGAN. Проблемы обучения и методы их решения. Вариационные автокодировщики (VAE). Энкодер-декодер структура. Теория: variational inference, ELBO. Приложения: генерация изображений, дообучение. Diffusion-модели. Принцип диффузионных процессов. Stable Diffusion, DDPM. Практическое применение. Оценка качества генерации. Метрики: FID, Inception Score, Precision/Recall. Интерпретация результатов.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-15 [DL-5] Способен применять и (или) разрабатывать алгоритмы распознавания и генерации речи
ПК-16 [LLM-2] Способен дообучать, адаптировать и оптимизировать генеративные модели под специфические задачи и условия применения
ПК-20 [DL-2] Способен применять и (или) разрабатывать современные архитектуры генеративных глубоких сетей
ПК-23 [FC-2] Способен проводить фронтирные исследования в области фундаментальных и генеративных моделей