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 науку о данных, машинное обучение и глубокое обучение
- Что такое нейронная сеть?
- Что делает нейрон?
- Простые нейронные сети (перцептрон)
- Создание простой нейронной сети
- Прямое распространение и обратное распространение
2. Современные нейронные сети
- Tensorflow and Keras
- PyTorch
- Создание простых нейронных сетей с помощью PyTorch
3. Сверточные нейронные сети
- Слои в сверточном NN
- Feature learning
- Простой классификатор изображений с использованием PyTorch
- Работа с несколькими классами
4. Обработка и аугментация изображений
- OpenCV
- Аугментация в PyTorch
- Albumentations
5. Передача обучения для классификации изображений
- Основная идея трансферного обучения
- ImageNet
- LeNet
- AlexNet
- VGGNet
- GoogLeNet
- ResNet
- EfficientNet
6. Обнаружение объектов и сегментация изображений
- R-CNN
- SSD
- YOLO
- Mask R-CNN
7. Генеративные состязательные сети
- Как работают GAN
- Передача нейронного стиля
- Автоэнкодеры
- Создание GAN с использованием PyTorch
8. Обработка естественного языка и инженерия функций
- Предварительная обработка естественного языка
- Задачи НЛП: анализ тональности, обобщение текста, генерация текста, тематическое моделирование
- Мешок слов
- Тексты как последовательности
- TF-IDF
- Лематизация и стемминг
- N-грамм
9. Эмбеддинги слов
- Word2vec
- GloVe
- fastText
10. Модели последовательностей
- LSTM
- RNN
- GRU
11. Трансфер обучения для НЛП
- XLNet
- BERT
- NER-модели
12. Тематическое моделирование и обобщение текста
- Классические LDA и LSA
- lda2vec
13. Ответы на вопросы
- Attentive LSTM
- HyperQA
- XLNet
14. Прогнозирование временных рядов с помощью нейронных сетей
- Обработка и разбиение данных временных рядов
- Подготовка функций временных рядов
- Простая эвристика для прогнозирования временных рядов
15. Рекуррентные нейронные сети для временных рядов
- LSTM для одномерных временных рядов
- LSTM для многомерных временных рядов
16. Совершенствование глубоких нейронных сетей и производства
- Алгоритмы оптимизации
- Настройка гиперпараметра
- Batch Normalization
- FastAPI
Минимальные требования:
- Наличие собственного ноутбука для занятий в аудиториях
- Пройденный курс «Python для Data Science»
Лекторы:
* 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!
Длительность курса: 21 ч.
