Deep Learning

Старт обучения
Берестейская 29.10.2019
Позняки Дату уточните у администрации
ВДНХ Дату уточните у администрации
60 час. по 2-3 раза в неделю

Описание курса

Курс направлен на изучение глубоких нейронных сетей. В ходе программы студенты рассмотрят state-of-the-art-модели, демонстрирующие наибольшую эффективность в решении специализированных задач. Материал разделен на три большие тематические блоки:
  • Компьютерное зрение (2-8 модули)
  • Обработка естественного языка (9-14 модули)
  • Временные ряды (15-18 модули).
Курс поможет начинающим специалистам по машинному обучению воплощать собственные решения задач компьютерного зрения, обработки естественного языка и прогнозирования временных рядов.

После курса вы сможете:

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

Программа курса:

01. Вступление Data science, Machine learning and deep learning
  • Что такое нейронная сеть?
  • Что делают нейроны?
  • Простая нейронная сеть (персептрон).
  • Создание простой нейронной сети.
  • Forward Propagation и Backpropagation.
02. Современные нейронные сети
  • Tensorflow и Keras.
  • PyTorch.
  • Создание простой нейронной сети с Keras.
03. Сверточные нейронные сети
  • Слои в CNN.
  • Feature learning.
  • Простой классификатор изображений на Keras.
  • Создание множественного классификатора.
04. Обработка изображений и их аугментация
  • OpenCV.
  • Аугментация в Keras.
  • Albumentations.
05. Transfer Learning для классификации
  • Главная идея transfer learning.
  • ImageNet.
  • LeNet.
  • AlexNet.
  • VGGNet.
  • GoogLeNet.
  • ResNet.
  • ZFNet.
06. Выявление объектов
  • R-CNN.
  • SSD.
  • YOLO.
07. Сегментация изображений
  • Fully Convolutional Network (FCN).
  • ParseNet.
  • U-Net.
  • Mask R-CNN.
  • SSMA
  • DeepLab.
  • MinkowskiNet.
08. Генеративно-соревновательные нейронные сети
  • Как работают GAN`ы.
  • Neural style transfer.
  • Autoencoders.
  • Создание GAN в Keras.
09.Обробка естественного языка
  • Подготовка текстов.
  • Задачи NLP: анализ тональности, реферирования текстов, генерация текстов, моделирование тем.
  • Мешок слов.
  • Тексты как последовательности.
10. Features engineering для NLP
  • Tf-idf.
  • Лемматизации и стемминг.
  • N-grams.
  • Создание признаков сходства.
11. Word Embeddings
  • Word2vec.
  • GloVe.
  • fastText.
12. Sequence models
  • LSTM.
  • RNN.
  • GRU.
13. Transfer Learning для NLP
  • XLNet.
  • BERT.
  • NER-models.
14. Моделирование тем и реферирования текстов
  • Классические LDA и LSA.
  • lda2vec.
  • Familia.
15. Автоматизация ответов на вопросы через нейронные сети
  • QRN.
  • Attentive LSTM.
  • HyperQA.
  • XLNet для ответов на вопросы.
16. Прогнозирование временных рядов с помощью нейронных сетей
  • Обработка временных рядов.
  • Подготовка признаков для временных рядов.
  • Простые подходы к прогнозированию временных рядов.
17. Рекурентные нейронные сети для временных рядов
  • LSTMs для одномерных временных рядов.
  • LSTMs для многомерных временных рядов.
18. Улучшение глубоких нейронных сетей
  • Оптимизация алгоритмов.
  • Тюнинг гиперпараметров.
  • Батч нормализация.
19. Tensorflow для продакшн.
  • Tensorflow Extended (TFX).
  • TF Serving.
  • Flask.
  • Apache.
20. Презентации курсовых проектов

Минимальные требования:

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

* Примечание: указанные скидки не суммируются с другими действующими акциями и специальными предложениями. Скидка применяется только к новым заявкам и при условии полной оплаты. Если у Вас возникли вопросы, обращайтесь за консультацией к нашим менеджерам!

spinner-it