Проектно-образовательный практикум по современным методам машинного обучения от АО «ТИНЬКОФФ»

Направление программы:
Искусственный интеллект, машинное обучение

Программа состоит из четырех блоков:
- Обзор классических методов машинного обучения и основ глубокого обучения.
- Методы обучения глубоких нейронных сетей и их приложения в компьютерном зрении, обработке естественного языка, распознавании речи и рекомендательных системах.
- Обзор современных программных инструментов, используемых для глубокого обучения.
- Групповая проектная работа.

Цели программы:
- изучение основ теории и практики создания решений на основе современных методов обучения машинного обучения (многослойные нейронные сети) в области компьютерного зрения, распознавания речи, обработки естественного языка и рекомендательных систем;
- освоение основных методов разработки информационных систем, сетевых сервисов и программ с использованием алгоритмов машинного обучения.

Задачи программы:
- изучение классических методов машинного обучения;
- изучение современных методов машинного обучения на основе глубокого обучения искусственных нейронных сетей;
- освоение современных инструментов для глубокого обучения;
- развитие практических навыков создания программных продуктов с использованием методов машинного обучения.

Планируемые результаты:
- исследование и решение предложенной участнику модуля конкретной задачи в рамках проекта;
- получение навыков исследования и решения задач машинного обучения современными методами.

По итогам отборочных испытаний учащиеся распределяются на команды (3-5 человек) для выполнения проектных кейсов, над которыми будут работать в рамках очного модуля программы под руководством ментора. В финале команда представит свой проект в виде презентации.

Темы лекций, предполагаемые на очной части:
1. Постановки задач в компьютерном зрении, основные метрики и архитектуры.
2. Генеративные состязательные сети в компьютерном зрении.
3. Представления текста - классические методы и методы на основе глубокого обучения.
4. Языковые модели, машинный перевод, диалоговые системы на основе глубокого обучения.
5. Задачи распознавания речи, метрики качества и основные подходы.
6. Проблема выравниваний и End-to-End архитектуры нейронных сетей для распознавания речи.
7. Рекомендательные системы. Постановка задачи и классические подходы.
8. Современные нейросетевые подходы для рекомендательных систем.

Сроки проведения программы:

15-26 марта 2021 года

На программу приглашаются студенты бакалавриата, магистратуры и аспирантуры.
Группа формируется на конкурсной основе.

Критерии оценки:
- резюме (от 0 до 20 баллов: перечень публикаций; участие в исследовательских проектах, научных мероприятиях, студенческих олимпиадах, соревнованиях по машинному обучению; ссылки на профили kaggle.com, github.com, habr.com  - оценивается содержание профиля и достижения);

- мотивационного письма (от 0 до 20 баллов: что ожидает студент от этой образовательной программы и почему желает в ней участвовать; какой видит свою дальнейшую карьеру);

- решения заданий по математике, Python и машинному обучению (от 0 до 45 баллов: задания предполагают выбор одного или нескольких вариантов ответов на вопросы теста, либо ввод ответа в виде текста);

- результатов собеседования с куратором и менторами проектов (от 0 до 15 баллов: в ходе собеседования задаются дополнительные вопросы по выполненным заданиям и оценивается готовность студента к командной работе над проектами).

Общие (технические) требования к заявке:
- прохождение регистрации на сайте Образовательного центра «Сириус»;
- подача заявки на сайте Тинькофф Образования;
- соответствие требованиям возраста участника - 18 лет и старше на дату начала отбора на программу.

Отборочная комиссия принимает решение по совокупности результатов, включающих экзаменационный онлайн -тест, наличие достижений, результаты собеседования и оценки мотивационного письма.

15 участников, продемонстрировавшие наилучшие результаты и выполнившие общие (технические) требования к заявке, приглашаются на очное обучение по программе.

1. Нейросетевые подходы для рекомендации следующей покупки.
Научимся предсказывать следующую покупку клиента и ранжировать ассортимент товаров для каждого клиента. Будем использовать state-of-the-art подходы для рекомендательных систем и анонимизированный датасет реальных покупок.

2. Финансовый квест для Олега с помощью языковых генеративных моделей.
Разработаем чат-бота, с которым можно общаться на русском языке на тему личных финансов.

3. Распознавание речи.
Напишем свой движок распознавания речи для русского языка. Будем использовать датасеты Common Voice, Open STT и самые современные архитектуры нейронных сетей для обработки речи.

4. Face2Face.
Перенос мимики и эмоций с одного лица на другое.

5. Image inpainting.
Обработка фотографий, фотореалистичное дорисовывание отсутствующих фрагментов, вставка дополнительных.

Во время работы над проектами:
- научитесь проводить исследования в области машинного обучения, воспроизводить и улучшать state-of-the-art подходы, разрабатывать и тестировать код моделей машинного обучения;
- сможете создать прототип продукта (MVP) и подготовить план его дальнейшего развития;
- освоите работу у в команде по методологии Scrum;
- прокачаете свои soft skills, подготовите техническое задание по бизнес-задаче, проведете презентацию разработанного продукта.

Всем, кто прошел конкурсный отбор и был приглашен на программу, необходимо получить и предоставить сканы справки о санитарно-эпидемиологическом окружении, полученной не более чем за 3 дня до выезда в Университет, а также сканы справки с отрицательным результатом тестирования методом ПЦР на новую коронавирусную инфекцию Covid-2019, полученной не более чем за 3 дня до выезда в Университет.

По приезде в Университет участникам образовательного модуля следует предоставить оригиналы указанных справок во время регистрации участников.

Научно-технологический университет «Сириус» обеспечивает проживание для обучающихся программы.
Проезд / перелет по территории РФ и питание оплачивается за счет партнера АО Тинькофф.

Плата за обучение на программе не взимается.