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:

1. 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.

2. Сучасні нейронні мережі

  • Tensorflow і Keras.
  • PyTorch.
  • Створення простої нейронної мережі з Keras.

3. Згорткові нейронні мережі

  • Шари в CNN.
  • Feature learning.
  • Простий класифікатор зображень на Keras.
  • Створення множинного класифікатора.

4. Обробка зображень і їх аугментація

  • OpenCV.
  • Аугментація в Keras.
  • Albumentations.

5. Transfer Learning для класифікації

  • Головна ідея transfer learning
  • ImageNet
  • LeNet
  • AlexNet
  • VGGNet
  • GoogLeNet
  • ResNet
  • ZFNet

6. Виявлення об’єктів

  • R-CNN
  • SSD
  • YOLO

7. Сегментація зображень

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

8. Генеративно-змагальні нейронні мережі

  • Як працюють GAN`и.
  • Neural style transfer.
  • Autoencoders.
  • Створення GAN в Keras.

9. Обробка природної мови

  • Підготовка текстів.
  • Задачі NLP: аналіз тональностей, реферування текстів, генерація текстів, моделювання тем.
  • Мішок слів.
  • Тексти як послідовності.

10. Features engineering для NLP

  • Tf-idf
  • Лематизація і стемінг
  • N-grams
  • Створення ознак схожості

11. Word Embeddings

  • Word2vec.
  • GloVe.
  • fastText.

12. Sequence models

  • LSTM
  • RNN
  • GRU

13. Transfer Learning для NLP

  • XLNet.
  • BERT.
  • NER-models.

14. Моделювання тем та реферування текстів

  • Класичні LDA та LSA.
  • lda2vec.
  • Familia.

15. Автоматизація відповідей на запитання через нейронні мережі

  • QRN.
  • Attentive LSTM.
  • HyperQA.
  • XLNet для відповідей на запитання.

16. Прогнозування часових рядів за допомогою нейронних мереж

  • Обробка часових рядів.
  • Підготовка ознак для часових рядів.
  • Прості підходи до прогнозування часових рядів.

17. Рекурентні нейронні мережі для часових рядів

  • LSTMs для одновимірних часових рядів.
  • LSTMs для багатовимірних часових рядів.

18. Покращення глибоких нейронних мереж

  • Оптимізація алгоритмів.
  • Тюнінг гіперпараметрів.
  • Батч нормалізація.

19. Tensorflow для продакшн.

  • Tensorflow Extended (TFX).
  • TF Serving.
  • Flask.
  • Apache.

20. 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!