Курс направлен на знакомство с классическим машинным обучением в его современном виде, включая глубокое обучение, рекуррентные сети, автоэнкодеры, генеративно-состязательные сети и обучение с подкреплением. В рамках курса студенты приобретают практические навыки использования Python для машинного обучения и пакета PyTorch в частности.  Обучение происходит на примерах из областей, в которых изучаемые подходы наиболее эффективно используются, включая распознавание образов, генерацию текстов, генерацию изображений. Формируется понимание того, какие задачи в работе физика могут быть решены с помощью машинного обучения, приводятся примеры успешного решения физических задач методами машинного обучения. 

После успешного освоения курса студенты знают основные методы машинного обучения,  современные подходы к решению задач искусственного интеллекта, умеют самостоятельно решать типовые задачи с помощью искусственных нейронных сетей с помощью фреймворка PyTorch, понимают принципы функционирования нейронных сетей, методы верификации, обладают навыками самостоятельной идентификации задач, пригодных для решения методами машинного обучения, выбора подходящего метода.

Машинное обучения в последние несколько лет начало успешно применяться в физике и других науках, позволяя значительно поднять продуктивность исследователей. Ежегодно публикуются  десятки статей про применение машинного обучения в физики и их число только растет.  Данный курс призван подготовить специалистов, готовых самостоятельно использовать методы машинного обучения, делая особенный акцент на корректности использования методов, верификации результатов. В рамках курса раскрываются современные подходы к решению задач машинного обучения, опубликованные в научной литературе в последние годы и используемые в современном коммерческом и свободной программном обеспечении.  Лабораторные работы выполняются с использованием фреймворка PyTorch, который достаточно прост в освоении студентами, при этом достаточно производителен для решения практических задач физики. Отличительной чертой курса является то, что предпринимается попытка обоснования почему каждый конкретный метод и конкретная архитектура нейронной сети позволяет успешно решить конкретную задачу, для чего проводятся параллели с хорошо обоснованными подходами классического программирования.