spinner-it

Курс Deep Learning в Киеве

Курс Deep Learning

Старт обучения
Дату уточните у администрации
48 час. по 2-3 раза в неделю

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 
Смотреть работы выпускников

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!

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