В дисциплине рассматриваются теоретические основы и фреймворки машинного обучения; изучаютcя этапы обработки данных, методы и алгоритмы машинного обучения, решающие задачи кластеризации, классификации, регрессии, снижения размерности, в том числе архитектуры нейронных сетей. Рассматриваются подходы к построению ансамблей моделей, оценке эффективности и сравнению моделей.

В рамках дисциплины основное внимание уделяется глубокому машинному обучению. Будут рассмотрены современные подходы для каждого шага построения и обучения нейронной сети: от глубокой нейронной сети прямого распространения до моделей трансформеров, от начальной инициализации весов нейронной сети до выбора функции ошибки.

В рамках дисциплины рассматриваются продвинутые методы машинного обучения, их применение при решении реальных задач. Будут рассмотрены кейсы с использованием AutoML, обучения с подкреплением, объединением модальностей. Рассмотрены возможности оптимизации глубоких нейронных сетей и обучения на малых наборах данных.

Основные разделы дисциплины: основные понятия теории цифровой обработки сигналов, цифровая фильтрация сигналов в пространственно-временной и частотной области, методы нелинейной фильтрации сигналов.

В дисциплине рассматриваются основы теории цифровой обработки аудио сигналов, а также вопросы реализации методов цифровой обработки аудио сигналов. Основное внимание уделяется методам описания и анализа речевых сигналов и помех и оценке их характеристик.

В курсе рассматривается актуальность, современное состояние, существующие и развивающиеся подходы, проблемы извлечения акустических признаков, общие подходы в построении архитектуры систем по детектированию событий, использование алгоритмов классификации на основе GMM (EM/MAP), архитектуры нейронных сетей для типовых задач, вопросы фузирования результатов, вопросы интеграции с близкими технологиями (видео события, ПКС, биометрия + признаки).

В рамках дисциплины студенты знакомятся с теоретическими основами и программным обеспечением анализа текстов на естественном языке. Рассматриваются этапы обработки текстов (графематический, морфологический, фрагментационный, синтаксический и семантический анализ). В результате освоения дисциплины студенты получают практические навыки применения методов машинного обучения в решении задач информационного поиска, классификации и анализа тональности текстов, автоматической генерации текста и поддержки диалога на естественном языке.

Содержание дисциплины охватывает круг вопросов, связанных с областью разработки и применения алгоритмических и программных средств распознавания речи. В курсе рассматриваются задачи и области практического применения систем распознавания речи; методы детектирования речь/не речь; долговременные признаки, модели языка, речевые декодеры. Применительно к задаче распознавания речи изучаются методы динамического программирования, скрытые марковские модели, алгоритмы обучения. Формируются навыки применения методов распознавания речи с помощью глубоких нейронных сетей.

В дисциплине последовательно рассматриваются основные этапы построения систем TTS (Text To Speech): лингвистика, просодика, фонетика, акустика и вокодеры. Для решения задач каждого этапа применяются как классические методы машинного обучения, так и глубокие нейронные сети.