• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Deep Learning and Neural Network Architectures

2026/2027
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Delivered at:
Department of Information Systems and Technologies (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))
Course type:
Compulsory course
When:
3 year, 1, 2 module

Программа дисциплины

Аннотация

Дисциплина посвящена современным методам глубокого обучения и их применению в интеллектуальных программных системах. Основное внимание уделяется предобученным языковым моделям, способам организации их взаимодействия с данными и внешними инструментами, планированию действий и проверке получаемых результатов. На примере одиночных и мультиагентных решений рассматриваются выбор архитектуры, управление контекстом и памятью, экспериментальная оценка качества, вычислительные затраты и надёжность. Обучающиеся выполняют практические задания, анализируют научные публикации и разрабатывают проект с воспроизводимым сравнением решений. Курс развивает базовую подготовку по машинному обучению и программированию.
Цель освоения дисциплины

Цель освоения дисциплины

  • Сформировать способность обоснованно применять модели глубокого обучения при разработке интеллектуальных систем, проектировать взаимодействие их компонентов и экспериментально оценивать качество, эффективность и ограничения полученного решения. Задачи освоения 1. Систематизировать представления о нейросетевых языковых моделях и способах их использования в прикладных задачах. 2. Освоить построение агентного цикла, подключение инструментов, планирование и внешнюю проверку результата. 3. Изучить способы взаимодействия нескольких агентов, управления состоянием и обработки сбоев. 4. Освоить сопоставимое экспериментальное сравнение решений и аргументированное представление результатов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Объясняет роль модели в системе, различает обучение и использование модели, описывает агента и формализует простую задачу распределения ресурсов.
  • Строит одиночного агента, организует вызов инструмента и проверку его результата, фиксирует наблюдаемые действия и корректно обрабатывает отказ или невозможность завершения.
  • Выбирает способ планирования, обнаруживает нарушения зависимостей и ограничений, связывает принятие решения с результатом проверки и объясняет затраты повторных попыток.
  • Проектирует несколько архитектур одной задачи и обосновывает выбор схемы с учётом обмена информацией и ограничений.
  • Задаёт критерий успеха и проводит сопоставимое сравнение, учитывая вариативность, затраты и ограничения эксперимента.
  • Задаёт состав сообщений, выбирает способ хранения состояния и выявляет ошибки потери или устаревания информации.
  • Анализирует сбой, проверяет исправление, формулирует границы применимости решения и защищает выводы исследования
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Нейросетевые модели и основы агентных систем
  • Языковые модели и работа с инструментами
  • Планирование и проверка решений
  • Архитектуры взаимодействия агентов
  • Экспериментальная оценка качества и эффективности
  • Коммуникация и управление состоянием
  • Надёжность и воспроизводимость интеллектуальных систем
Элементы контроля

Элементы контроля

  • неблокирующий Practice work
  • неблокирующий Oral interview
Промежуточная аттестация

Промежуточная аттестация

  • 2026/2027 2nd module
    0 * Oral interview + 0.5 * Practice work
Список литературы

Список литературы

Рекомендуемая основная литература

  • Знакомство с PyTorch: глубокое обучение при обработке естественного языка - Брайан Макмахан, Делип Рао - Санкт-Петербург: Питер - 978-5-4461-1241-8 - 2021 - русский - https://ibooks.ru/product/336750 - iBOOKS - 336750
  • Машинное обучение на табличных данных: XGBoost, глубокое обучение и ИИ. — (Серия «Библиотека программиста») - Райан Марк, Массарон Лука - Санкт-Петербург: Питер - 978-5-4461-4391-7 - 2026 - русский - https://ibooks.ru/product/335172 - iBOOKS - 335172

Рекомендуемая дополнительная литература

  • Глубокое обучение с TensorFlow, Keras и PyTorch - C.Technologies - ДМК Пресс - 9785937003829 - 2025 - русский - https://hse.alpinadigital.ru/document/45393 - Alpina - 45393

Авторы

  • Саратовцев Артем Романович