spinner-it

Deep Learning

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

Опис курсу

Курс спрямовано на вивчення глибоких нейронних мереж. В ході програми студенти розглянуть state-of-the-art-моделі, що демонструють найбільшу ефективність у вирішенні спеціалізованих задач. Матеріал розділено на три великі тематичні блоки:

 

  1. Комп’ютерний зір (2-8 модулі)
  2. Обробка природної мови (9-14 модулі)
  3. Часові ряди (15-18 модулі).

 

Курс допоможе починаючим спеціалістам з машинного навчання втілювати власні рішення задач комп’ютерного зору, обробки природної мови та прогнозування часових рядів.

Після курсу Ви зможете:

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

Програма курсу:

  • Вступ Data science, Machine learning and Deep Learning
    • Що таке нейронна мережа?
    • Що роблять нейрони?
    • Проста нейронна мережа (перцептрон).
    • Створення простої нейронної мережі.
    • Forward Propagation і Backpropagation.
  • Сучасні нейронні мережі
    • Tensorflow і Keras.
    • PyTorch.
    • Створення простої нейронної мережі з Keras.
  • Згорткові нейронні мережі
    • Шари в CNN.
    • Feature learning.
    • Простий класифікатор зображень на Keras.
    • Створення множинного класифікатора.
  • Обробка зображень і їх аугментація
    • OpenCV.
    • Аугментація в Keras.
    • Albumentations.
  • Transfer Learning для класифікації
    • Головна ідея transfer learning
    • ImageNet
    • LeNet
    • AlexNet
    • VGGNet
    • GoogLeNet
    • ResNet
    • ZFNet
  • Виявлення об’єктів
    • R-CNN
    • SSD
    • YOLO
  • Сегментація зображень
    • Fully Convolutional Network (FCN)
    • ParseNet
    • U-Net
    • Mask R-CNN
    • SSMA
    • DeepLab
    • MinkowskiNet
  • Генеративно-змагальні нейронні мережі
    • Як працюють GAN`и.
    • Neural style transfer.
    • Autoencoders.
    • Створення GAN в Keras.
  • Обробка природної мови
    • Підготовка текстів.
    • Задачі NLP: аналіз тональностей, реферування текстів, генерація текстів, моделювання тем.
    • Мішок слів.
    • Тексти як послідовності.
  • Features engineering для NLP
    • Tf-idf
    • Лематизація і стемінг
    • N-grams
    • Створення ознак схожості
  • Word Embeddings
    • Word2vec.
    • GloVe.
    • fastText.
  • Sequence models
    • LSTM
    • RNN
    • GRU
  • Transfer Learning для NLP
    • XLNet.
    • BERT.
    • NER-models.
  • Моделювання тем та реферування текстів
    • Класичні LDA та LSA.
    • lda2vec.
    • Familia.
  • Автоматизація відповідей на запитання через нейронні мережі
    • QRN.
    • Attentive LSTM.
    • HyperQA.
    • XLNet для відповідей на запитання.
  • Прогнозування часових рядів за допомогою нейронних мереж
    • Обробка часових рядів.
    • Підготовка ознак для часових рядів.
    • Прості підходи до прогнозування часових рядів.
  • Рекурентні нейронні мережі для часових рядів
    • LSTMs для одновимірних часових рядів.
    • LSTMs для багатовимірних часових рядів.
  • Покращення глибоких нейронних мереж
    • Оптимізація алгоритмів.
    • Тюнінг гіперпараметрів.
    • Батч нормалізація.
  • Tensorflow для продакшн.
    • Tensorflow Extended (TFX).
    • TF Serving.
    • Flask.
    • Apache.
  • Презентації курсових проектів

Мінімальні вимоги:

  • Наявність власного ноутбуку 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!