Курс Deep Learning в Киеве
Курс Deep Learning
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 глубокое обучение (Deep Learning)
- DL для задач обработки природного языка (NLP) и компьютерного зрения (CV). Другие прикладные отрасли.
- Что такое нейронная сеть (NN)?
- Компоненты NN. Перцептрон
- Как учится NN? Градиентный спуск. Функция утрат. Прямое и обратное распространение
2. Основы PyTorch
- Простая NN в PyTorch
- Функции активации. Скрытые слои VS выходные слои
- Методы регуляризации. Ранняя остановка. Dropout
- Остаточные соединения
- NLP
3. Эмбединги
- Представление текста в виде векторов
- Классические алгоритмы эмбедингов для задач NLP
- Word2vec, GloVe, fastText
- Class 2 Текст как последовательность
- RNN, LSTM, GRU
4. Модели последовательности к последовательности (seq-to-seq)
- Bi-directional LSTM
- Модели encoder-decoder
5. Transformers
- Attention. Encoder, decoder. Self-attention
- BERT vs GPT-2
6. Распространенные задачи NLP с использованием Transformers
- Классификация текстов
- Ответ на вопрос
- Семантический поиск
7. Генеративные модели
- Перефразирование, суммаризация текста
- Большие языковые модели (LLMs)CV
8. Сверточные нейронные сети
- Классификация изображений
- Предварительная обработка изображений. Аугментация
9. Трансфер обучения
- LeNet, AlexNet, VGGNet, Inception, ResNet, EfficientNet
10. Детекция объектов
- R-CNN, YOLO, SSD
11. Семантическая сегментация, объектная сегментация
- UNet, Mask R-CNN, YOLACT
12. Генерация изображений
- Автокодеры. GAN
- Передача нейронного стиля
13. Diffusers
- Текстовое суммирование изображения
- Text-to-Image
- Production
14. Оптимизация NN
- Настройка гиперпараметров
- Ускорение тренировки. Накопление градиента
- Контрольные точки градиента. Смешанная средняя точность
15. Развёртывание
- FastAPI
- Мониторинг моделей в производстве
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!
