spinner-it

Deep Learning

Старт обучения
04.05.2021
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:

1. 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.

2. Современные нейронные сети

  • Tensorflow и Keras.
  • PyTorch.
  • Создание простой нейронной сети с Keras.

3. Сверточные нейронные сети

  • Слои в CNN.
  • Feature learning.
  • Простой классификатор изображений на Keras.
  • Создание множественного классификатора.

4. Обработка изображений и их аугментация

  • OpenCV.
  • Аугментация в Keras.
  • Albumentations.

5. Transfer Learning для классификации

  • Главная идея transfer learning.
  • ImageNet.
  • LeNet.
  • AlexNet.
  • VGGNet.
  • GoogLeNet.
  • ResNet.
  • ZFNet.

6. Выявление объектов

  • R-CNN.
  • SSD.
  • YOLO.

7. Сегментация изображений

  • Fully Convolutional Network (FCN).
  • ParseNet.
  • U-Net.
  • Mask R-CNN.
  • SSMA.
  • DeepLab.
  • MinkowskiNet.

8. Генеративно-соревновательные нейронные сети

  • Как работают GAN`ы.
  • Neural style transfer.
  • Autoencoders.
  • Создание GAN в Keras. 

9. 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»

Лекторы:

Роман Кириченко (Data Scientist)

 

* 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!