Курс Deep Learning

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

Описание курса

Основная идея этого курса заключается в том, чтобы научиться глубокому обучению с помощью современных технологий для решения задач компьютерного зрения, обработки естественного языка и прогнозирования временных рядов.

 

Поэтому данный курс состоит из трех тематических частей:

  • компьютерное зрение (2-7 модули);
  • НЛП (8-13 модули);
  • временные ряды (14-15 модули).
 

Основным рабочим инструментом является PyTorch.

 

Курс может быть полезен начинающим ML-специалистам, которые интересуются компьютерным зрением, обработкой естественного языка и прогнозированием временных рядов. Рекомендуется (но не обязательно) проходить курсы по Data Science/Machine Learning Fundamentals и Python for Data Science или их аналоги.

После курса вы сможете:

  • Использовать нейронные сети для решения реальных задач компьютерного зрения, обработки естественного языка и прогнозирования временных рядов
  • Пользоваться фреймворком PyTorch, библиотекой Tensorflow и Keras API

Программа курса:


1. Введение в науку о данных, машинное обучение и глубокое обучение

  • Что такое нейронная сеть?
  • Что делает нейрон?
  • Простые нейронные сети (перцептрон)
  • Создание простой нейронной сети
  • Прямое распространение и обратное распространение

2. Современные нейронные сети

  • Tensorflow and Keras
  • PyTorch
  • Создание простых нейронных сетей с помощью PyTorch

3. Сверточные нейронные сети

  • Слои в сверточном NN
  • Feature learning
  • Простой классификатор изображений с использованием PyTorch
  • Работа с несколькими классами

4. Обработка и аугментация изображений

  • OpenCV
  • Аугментация в PyTorch
  • Albumentations

5. Передача обучения для классификации изображений

  • Основная идея трансферного обучения
  • ImageNet
  • LeNet
  • AlexNet
  • VGGNet
  • GoogLeNet
  • ResNet
  • EfficientNet

6. Обнаружение объектов и сегментация изображений

  • R-CNN
  • SSD
  • YOLO
  • Mask R-CNN

7. Генеративные состязательные сети

  • Как работают GAN
  • Передача нейронного стиля
  • Автоэнкодеры
  • Создание GAN с использованием PyTorch

8. Обработка естественного языка и инженерия функций

  • Предварительная обработка естественного языка
  • Задачи НЛП: анализ тональности, обобщение текста, генерация текста, тематическое моделирование
  • Мешок слов
  • Тексты как последовательности
  • TF-IDF
  • Лематизация и стемминг
  • N-грамм

9. Эмбеддинги слов

  • Word2vec
  • GloVe
  • fastText

10. Модели последовательностей

  • LSTM
  • RNN
  • GRU

11. Трансфер обучения для НЛП

  • XLNet
  • BERT
  • NER-модели

12. Тематическое моделирование и обобщение текста

  • Классические LDA и LSA
  • lda2vec

13. Ответы на вопросы

  • Attentive LSTM
  • HyperQA
  • XLNet

14. Прогнозирование временных рядов с помощью нейронных сетей

  • Обработка и разбиение данных временных рядов
  • Подготовка функций временных рядов
  • Простая эвристика для прогнозирования временных рядов

15. Рекуррентные нейронные сети для временных рядов

  • LSTM для одномерных временных рядов
  • LSTM для многомерных временных рядов

16. Совершенствование глубоких нейронных сетей и производства

  • Алгоритмы оптимизации
  • Настройка гиперпараметра
  • Batch Normalization
  • FastAPI

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