spinner-it

Курс Deep Learning у Києві

Курс Deep Learning

Старт навчання
Старт курсу запитуйте в адміністрації
48 год. по 2-3 рази на тиждень

Після курсу Ви зможете:

  • Використовувати нейронні мережі для вирішення реальних задач комп’ютерного зору, обробки природної мови та прогнозування часових рядів
  • Користуватися фреймворком PyTorch, бібліотекою Tensorflow та Keras API

Основна ідея цього курсу полягає в тому, аби опанувати глибоке навчання за допомогою сучасних технологій для розв’язання задач комп’ютерного зору, обробки природної мови та прогнозування сучасних рядів.

— 

Тому цей курс складається з трьох тематичних частин:

  • комп’ютерний зір (2-7 модулі);
  • НЛП (8-13 модулі);
  • часові ряди (14-15 модулі).

Основним робочим інструментом є PyTorch.

— 

Курс може бути корисним ML-спеціалістам, які тільки починають і цікавляться комп’ютерним зором, обробкою природної мови та прогнозуванням часових рядів. Рекомендовано (але не обов’язково) проходити курси з Data Science/Machine Learning Fundamentals та Python for Data Science або їхні аналоги.


Програма курсу:


1. Вступ до науки про дані, машинне навчання та глибоке навчання

  • Що таке нейронна мережа?
  • Що робить нейрон?
  • Прості нейронні мережі (перцептрон)
  • Створення простої нейронної мережі
  • Пряме розповсюдження та зворотне розповсюдження

2. Сучасні нейронні мережі

  • Tensorflow and Keras
  • PyTorch
  • Створення простих нейронних мереж за допомогою PyTorch

3. Згорткові нейронні мережі

  • Шари в згортковому NN
  • Feature learning
  • Простий класифікатор зображень з використанням PyTorch
  • Робота з кількома класами

4. Обробка та аугментація зображень

  • OpenCV
  • Аугментація в PyTorch
  • Albumentations

5. Передавання навчання для класифікації зображень

  • Основна ідея трансферного навчання
  • ImageNet
  • LeNet
  • AlexNet
  • VGGNet
  • GoogLeNet
  • ResNet
  • EfficientNet

6. Виявлення об’єктів та сегментація зображень

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

7. Генеративні змагальні мережі

  • Як працюють GAN
  • Передавання нейронного стилю
  • Автоенкодери
  • Створення GAN з використанням PyTorch

8. Обробка природної мови та інженерія функцій

  • Попередня обробка природної мови
  • Задачі НЛП: аналіз тональності, узагальнення тексту, генерація тексту, тематичне моделювання
  • Мішок слів
  • Тексти як послідовності
  • TF-IDF
  • Лематизація та стемінг
  • N-грам

9. Ембединги слів

  • Word2vec
  • GloVe
  • fastText

10. Моделі послідовностей

  • LSTM
  • RNN
  • GRU

11. Трансфер навчання для НЛП

  • XLNet
  • BERT
  • NER-моделі

12. Тематичне моделювання й узагальнення тексту

  • Класичні LDA та LSA
  • lda2vec

13. Відповіді на запитання

  • Attentive LSTM
  • HyperQA
  • XLNet

14. Прогнозування часових рядів за допомогою нейронних мереж

  • Обробка та розбивка даних часових рядів
  • Підготовка функцій часових рядів
  • Проста евристика для прогнозування часових рядів

15. Рекурентні нейронні мережі для часових рядів

  • LSTM для одномірних часових рядів
  • LSTM для багатомірних часових рядів

16. Удосконалення глибоких нейронних мереж та виробництва

  • Алгоритми оптимізації
  • Налаштування гіперпараметра
  • Batch Normalization
  • FastAPI

Мінімальні вимоги

  • Наявність власного ноутбука для занять в аудиторіях
  • Пройдений курс «Python для Data Science»

* Примітка: зазначені знижки не сумуються з іншими діючими акціями та спеціальними пропозиціями. Знижка застосовується тільки до нових заявок та при умові повної оплати курсу. Якщо у Вас виникли питання, звертайтеся за консультацією до наших менеджерів!

У зв'язку з карантином всі наші курси читаються у online-форматі.