spinner-it

Deep Learning

Старт обучения
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: 

 

  1. Компьютерное зрение (2-8 модули)
  2. Обработка естественного языка (9-14 модули)
  3. 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:

  • 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.
  • Современные нейронные сети
    • Tensorflow и Keras.
    • PyTorch.
    • Создание простой нейронной сети с Keras.
  • Сверточные нейронные сети
    • Слои в CNN.
    • Feature learning.
    • Простой классификатор изображений на Keras.
    • Создание множественного классификатора.
  • Обработка изображений и их аугментация
    • OpenCV.
    • Аугментация в Keras.
    • Albumentations.
  • Transfer Learning для классификации
    • Главная идея transfer learning.
    • ImageNet.
    • LeNet.
    • AlexNet.
    • VGGNet.
    • GoogLeNet.
    • ResNet.
    • ZFNet.
  • Выявление объектов
    • R-CNN.
    • SSD.
    • YOLO.
  • Сегментация изображений
    • Fully Convolutional Network (FCN).
    • ParseNet.
    • U-Net.
    • Mask R-CNN.
    • SSMA.
    • DeepLab.
    • MinkowskiNet.
  • Генеративно-соревновательные нейронные сети
    • Как работают GAN`ы.
    • Neural style transfer.
    • Autoencoders.
    • Создание GAN в Keras. 
  • Обробка естественного языка
    • Подготовка текстов.
    • Задачи NLP: анализ тональности, реферирования текстов, генерация текстов, моделирование тем.
    • Мешок слов.
    • Тексты как последовательности.
  • Features engineering для NLP
    • Tf-idf.
    • Лемматизации и стемминг.
    • N-grams.
    • Создание признаков сходства.
  • Word Embeddings
    • Word2vec.
    • GloVe.
    • fastText.
  • Sequence models
    • LSTM.
    • RNN.
    • GRU.
  • Transfer Learning для NLP
    • XLNet.
    • BERT.
    • NER-models.
  • Моделирование тем и реферирования текстов
    • Классические LDA и LSA.
    • lda2vec.
    • Familia.
  • Автоматизация ответов на вопросы через нейронные сети
    • QRN.
    • Attentive LSTM.
    • HyperQA.
    • XLNet для ответов на вопросы.
  • Прогнозирование временных рядов с помощью нейронных сетей
    • Обработка временных рядов.
    • Подготовка признаков для временных рядов.
    • Простые подходы к прогнозированию временных рядов.
  • Рекурентные нейронные сети для временных рядов
    • LSTMs для одномерных временных рядов.
    • LSTMs для многомерных временных рядов.
  • Улучшение глубоких нейронных сетей
    • Оптимизация алгоритмов.
    • Тюнинг гиперпараметров.
    • Батч нормализация.
  • Tensorflow для продакшн.
    • Tensorflow Extended (TFX).
    • TF Serving.
    • Flask.
    • Apache.
  • 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!