Курс Deep Learning

Старт обучения
Дату уточните у администрации
48 час. по 2-3 раза в неделю

Описание курса

Основная идея этого курса состоит в том, чтобы овладеть глубоким обучением с помощью современных технологий для решения задач обработки естественного языка и компьютерного зрения.

Поэтому данный курс состоит из следующих тематических частей:

  • Обработка естественного языка (NLP) (2-7 модуля)
  • Компьютерное зрение (8-14 модулей)
  • Оптимизация нейронных сетей и использование на производстве (15-16 модулей).

Основным рабочим инструментом является PyTorch.

Курс может быть полезным ML-специалистам, только начинающим и интересующимся компьютерным зрением и обработкой естественного языка. Рекомендуется (но не обязательно) проходить курсы с Data Science/Machine Learning Fundamentals и Python for Data Science или их аналоги.

После курса вы сможете:

  • Использовать нейронные сети для решения реальных задач обработки природного языка и компьютерного зрения.
  • Пользоваться фреймворком PyTorch, библиотеками Hugging Face и OpenCV.

Программа курса:


1. Введение в глубокое обучение (Deep Learning)

  • DL для задач обработки природного языка (NLP) и компьютерного зрения (CV). Другие прикладные отрасли.
  • Что такое нейронная сеть (NN)?
  • Компоненты NN. Перцептрон
  • Как учится NN? Градиентный спуск. Функция утрат. Прямое и обратное распространение

2. Основы PyTorch

  • Простая NN в PyTorch
  • Функции активации. Скрытые слои VS выходные слои
  • Методы регуляризации. Ранняя остановка. Dropout
  • Остаточные соединения

3. Эмбединги

  • Представление текста в виде векторов
  • Классические алгоритмы эмбедингов для задач NLP
  • Word2vec, GloVe, fastText

4. Текст как последовательность

  • RNN, LSTM, GRU

5. Модели последовательности к последовательности (seq-to-seq)

  • Bi-directional LSTM
  • Модели encoder-decoder

6. Transformers

  • Attention. Encoder, decoder. Self-attention
  • BERT vs GPT-2

7. Распространенные задачи NLP с использованием Transformers

  • Классификация текстов
  • Ответ на вопрос
  • Семантический поиск

8. Генеративные модели

  • Перефразирование, суммаризация текста
  • Большие языковые модели (LLMs)

9. Сверточные нейронные сети

  • Классификация изображений
  • Предварительная обработка изображений. Аугментация

10. Трансфер обучения

  • LeNet, AlexNet, VGGNet, Inception, ResNet, EfficientNet

11. Детекция объектов

  • R-CNN, YOLO, SSD

12. Семантическая сегментация, объектная сегментация

  • UNet, Mask R-CNN, YOLACT

13. Генерация изображений

  • Автокодеры. GAN
  • Передача нейронного стиля

14. Diffusers

  • Текстовое суммирование изображения
  • Text-to-Image
  • Production

15. Оптимизация NN

  • Настройка гиперпараметров
  • Ускорение тренировки. Накопление градиента
  • Контрольные точки градиента. Смешанная средняя точность

16. Развёртывание

  • FastAPI
  • Мониторинг моделей в производстве

Минимальные требования:

  • Наличие собственного ноутбука для занятий в аудиториях
  • Пройденный курс «Python для Data Science»

* Указанные скидки не суммируются с другими действующими акциями и специальными предложениями. Если у Вас возникли вопросы, обращайтесь за консультацией к нашим менеджерам!

spinner-it

На жаль, у звязку з війною ІТЕА завершила свою діяльності в Україні.

This will close in 20 seconds