Данный репозиторий содержит практические работы по курсу «Глубокое обучение», посвященные изучению архитектур нейронных сетей и их применению для решения различных задач машинного обучения. В ходе выполнения лабораторных работ были рассмотрены как базовые модели, так и более сложные архитектуры глубокого обучения с использованием библиотеки PyTorch.
Практические работы охватывают основные этапы построения и исследования моделей глубокого обучения:
- создание и обучение простых нейронных сетей;
- исследование влияния гиперпараметров на процесс обучения;
- сравнение различных архитектур нейронных сетей;
- применение механизмов внимания;
- использование архитектуры Transformer;
- построение и обучение автоэнкодеров для обнаружения аномалий;
- визуализация процесса обучения и анализ качества моделей.
В рамках проекта были реализованы и исследованы следующие архитектуры и подходы:
- Fully Connected Neural Network (FCNN),
- Recurrent Neural Network (RNN),
- Convolutional Neural Network (CNN),
- Attention-механизмы в классических нейронных сетях,
- Transformer,
- Autoencoder.
Во время выполнения лабораторных работ использовались как синтетические, так и реальные датасеты из открытых источников. Для каждой задачи проводился анализ данных, обучение моделей, подбор гиперпараметров, сравнение различных конфигураций и оценка качества с использованием соответствующих метрик.
Цель работы — изучить основные архитектуры глубокого обучения, освоить их практическое применение и исследовать влияние структуры моделей и выбора гиперпараметров на качество решения задач классификации, анализа последовательностей и обнаружения аномалий.