О чём курс
В рамках данного курса слушатели приобретут знания о различных нейросетевых архитектурах и фреймворках для глубокого обучения, причем акцент сделан на практических приемах их использования, в т.ч. с помощью облачных платформ Google Colab и Kaggle.
Основное внимание курс уделяет сверточным нейронным сетям и их оптимизации, приемам обнаружения объектов на изображениях с их последующей классификацией, сегментацией и/или локализацией, способам обработки естественного языка, в т.ч. для генерации текстов и изображений, а также задачам обучения моделей с подкреплением.
Лабораторный практикум предусматривает создание нейросетей как в ходе занятий, так и в качестве домашних заданий, например, для распознавания объектов не только на базе классических датасетов типа FashionMNIST и CIFAR-10, но и на данных из реальной жизни (в частности, выявление и классификация опухолей на томограммах медицинских обследований и т.д.).Цели
По завершении курса слушатели должны обладать знаниями и навыками в следующих областях:
1.классы задач, решаемых нейросетями
2. разновидности и специализации нейросетевых архитектур
3.работа с наиболее популярными и востребованными фреймворками для глубокого обучения
4.сверточные нейронные сети, в т.ч. их оптимизация и повышение производительности
5. классификация, сегментация, детектирование и локализация объектов на изображениях
6.способы обработки естественного языка, в т.ч. генерация текстов и изображений по запросу
7.обучение с подкреплением
Целевая аудитория
Специалисты, владеющие языком программирования Python 3 и основными методами машинного обучения.
Предварительная подготовка
Уверенное владение языком Python3 и популярными модулями для обработки численных данных (numpy, scikit-learn, matplotlib и т.д.)
Основы линейной алгебры и дифференциального исчисления
Основы теории вероятностей и статистического анализаТемы курса
01
1.Введение в искусственные нейронные сети. Современное применение нейронных сетей. Основные задачи: компьютерное зрение, обработка естественного языка, беспилотные агенты, генеративные сети, обучение с подкреплением и другие области. [Теория – 1 ч., ДЗ – 4 ч.]
-
Архитектуры нейронных сетей. Нейрон, веса, функции активации, обучение
-
Области применения нейронных сетей
-
Основные классы задач, решаемых сетями
02
2.Фреймворки для глубокого обучения (PyTorch, TensorFlow, Keras) [Теория – 2 ч., практика – 4 ч.]
-
Методы оптимизации, метрики, функции потерь, управление гиперпараметрами
-
Тензоры, переменные, градиенты, функции, модели, обучение
-
Устройство TensorFlow и PyTorch, модели и виды слоев в Keras
03
3.Сверточные нейронные сети [теория – 2 ч., практика – 3 ч., ДЗ – 4 ч.]
-
Архитектура CNN. Фильтры, пулинг, 1D/2D/3D
-
Обучение сверточных сетей
-
Идеи удачных архитектур: AlexNet, VGG, Inception, ResNet
04
4.Оптимизация нейронной сети [теория – 1 ч., практика – 3 ч., ДЗ – 4 ч.]
-
Алгоритм градиентного спуска и его варианты
-
Регуляризация, Dropout, Batch Normalization
05
5.Transfer learning & Fine-tuning [теория – 1 ч., практика – 2 ч., ДЗ – 4 ч.]
-
Способы доучивания сетей: полные и частичные
-
Использование предобученных сетей в других задачах
06
6.Обработка естественного языка [теория – 2 ч., практика – 3 ч., ДЗ – 4 ч.]
-
Виды задач: классификация, разметка, генерация, seq2seq
-
Представления слов и текстов. Эмбеддинги. Word2Vec, FastText
-
Языковые модели. ELMo, *BERT
-
Трансформеры, механизм внимания, GPT, XLNet
07
7.Сегментация и детектирование объектов [теория – 2 ч., практика – 4 ч., ДЗ – 4 ч.]
-
Сети для сегментации изображений
-
Сети для детектирования объектов на изображениях
08
8.Генеративные сети [теория – 1 ч., практика – 3 ч., ДЗ – 2 ч]
-
GAN для генерации изображений
-
Диффузионные модели. Stable Diffusion
09
9.Обучение с подкреплением [теория – 2 ч., практика – 4 ч., ДЗ – 4 ч.]
-
Принципы обучения с подкреплением и основные подходы. Q-обучение
-
Глубокое обучение с подкреплением
10
Итого: теория – 14 ч (35%), практика – 26 ч (65%) + 30 ч на ДЗ
Ведущий курса
Брейман Александр
Эксперт в области разработки и архитектуры ПО
Middle
О проектах
Александр занимается разработкой учебных программ, чтением лекций, проведением семинаров, практических и лабораторных работ. Под его руководством уже не один десяток специалистов успешно защитили выпускные квалификационные работы бакалавра и магистерские диссертации.
Среди его кейсов работа в ЗАО «ТИТАН МЕТА», Московском государственном университете приборостроения и информатики, Национальном исследовательском университете «Высшая школа экономики» и Luxoft Training.
Курсы и сертификаты
Александр является членом организаций:
- IEEE, IEEE Computer Society (Institute of Electrical and Electronics Engineers / Институт инженеров электротехники и электроники).
- ACM, ACM SIGMOD (Association for Computing Machinery / Ассоциация вычислительной техники).
Записаться на курс
49 900 ₽
44 910 ₽ — для физ. лиц
Юр. лицо — 49 900 ₽
Физ. лицо — 44 910 ₽
10.02.2025, Онлайн
10.02.2025, Онлайн
Открытая дата
Наши ученики работают в:
Наши клиенты
