Войти
Каталог
Data Scientist. ML. Средний уровень (нейронные сети)
Вы изучите основы нейронных сетей, научитесь применять ключевые концепции и методы и обучать их. Сможете построить свою нейросеть. Научитесь применять свёрточные нейросети для обработки изображений, генеративные состязательные сети (GAN), обработку естественного языка (NLP) и обучение с подкреплением. Сможете оптимизировать и ускорять нейронные сети, а также внедрять модели глубокого обучения в производственное окружение.
- Никакой “воды” только нужные и актуальные знания
- Обучение в удобное время учитесь в комфортном для себя темпе
- Бессрочный доступ ко всем материалам курса
- Старт обучения Набор группы закрыт
Кому подойдёт этот курс
- Разработчикам
Тем, кто хочет прокачать свои навыки в области нейронных сетей и машинного обучения, чтобы создавать и оптимизировать собственные модели для задач классификации, сегментации и детектирования объектов
- Исследователям в области ИИ
Тем, кто хочет углубить свои знания о нейронных сетях и глубоком обучении, чтобы успешно реализовывать исследовательские проекты и создавать инновационные решения в области ИИ
- Специалистам в области анализа данных и машинного обучения
Тем, кто хочет дополнить свой инструментарий анализа данных, чтобы эффективно применять нейронные сети для решения задач обработки текстов и извлечения информации из больших объёмов данных
Чему вы научитесь
-
Разрабатывать и обучать нейронные сети для решения задач классификации и сегментации изображений
-
Применять различные функции активации и методы оптимизации для обучения нейронных сетей
-
Использовать свёрточные нейросети для обработки изображений и выделения их признаков
-
Реализовывать архитектуры сетей, такие как VGG, ResNet и U-Net для улучшения качества моделей
-
Применять техники аугментации данных и решать проблемы переобучения
-
Создавать и обучать модели для задачи детектирования объектов с помощью архитектур R-CNN, Faster R-CNN и SSD
-
Работать с естественным языком (NLP), применять рекуррентные нейросети для анализа текста и построения языковых моделей
-
Реализовывать генеративные состязательные сети (GAN) для генерации изображений и текста
-
Применять обучение с подкреплением и разрабатывать алгоритмы Q-Learning и Deep Q-Learning
Содержание курса
Вы изучите техники работы с нейронными сетями: от основ ИИ до построения рекомендательных систем. Также вы освоите полносвёрточную нейронную сеть (FCN) и генеративные состязательные сети (GAN).
Введение в нейронные сети
Познакомитесь с основами нейронных сетей, изучите линейный классификатор и функционал ошибки, освоите понятие нейрона и его применение в логистической регрессии. Погрузитесь в понятие нейронной сети, поймёте, как она функционирует и какую роль играет в обработке данных.
Обучение нейронных сетей
Освоите ключевые методы обучения нейронных сетей, разберётесь с градиентным спуском, научитесь применять метод обратного распространения ошибки для настройки параметров сети. Изучите стохастический градиентный спуск и его вариации, а также узнаете о функциях активации, которые являются важной частью нейронных сетей. Научитесь создавать собственные нейронные сети от начальной схемы до математических формул.
Нейронные сети на практике
Изучите Google Colab и его возможности, ознакомитесь с фреймворками для обучения нейронных сетей, включая Tensorflow. Узнаете о различных версиях Tensorflow и выберете подходящую для ваших задач. Кроме того, вы научитесь создавать и определять модели нейронных сетей в Tensorflow.
Свёрточные нейросети для задачи классификации изображений. Часть 1
Погрузитесь в область компьютерного зрения с помощью свёрточных нейронных сетей. Узнаете, как компьютер интерпретирует изображения, поймёте суть задачи классификации изображений и научитесь применять свёртки для улучшения результатов. Изучите многоканальные свёртки, научитесь создавать и применять свёрточные слои с использованием Keras.
Свёрточные нейросети для задачи классификации изображений. Часть 2
Углубитесь в продвинутые концепции свёрточных нейронных сетей, изучите методы аугментации данных и борьбы с переобучением. Ознакомитесь с архитектурами VGG и ResNet, научитесь использовать их для улучшения результатов классификации. Поймёте, как нейронные сети "видят" данные и освоите технику Transfer learning.
Семантическая сегментация. Часть 1
Перейдёте к задаче семантической сегментации изображений, разберётесь в различных подходах к задаче и научитесь реализовывать слабую локализацию с использованием скользящего окна. Узнаете, как создать полносвёрточную нейронную сеть (FCN), которая позволит решать задачу сегментации более точно.
Семантическая сегментация. Часть 2
Углубитесь в продвинутые архитектуры FCN для семантической сегментации. Вы научитесь улучшать FCN-модель с помощью различных методов, включая Skipped connections и архитектуру U-Net. Ознакомитесь с дилатационными свёртками и методом ASPP.
Детектирование объектов. Часть 1
Перейдёте к задачам детектирования объектов: поймёте, как комбинировать классификацию и локализацию в одной модели, создадите собственную модель для решения этой задачи.
Детектирование объектов. Часть 2
Изучите архитектуру R-CNN для детектирования объектов. Научитесь подготавливать обучающий датасет, создавать и обучать модель R-CNN, узнаете, как её запускать для детектирования объектов.
Детектирование объектов. Часть 3
Изучите популярные архитектуры для детектирования объектов, такие как Fast R-CNN, Faster R-CNN, SSD и YOLO. Узнаете, как создавать и обучать модели Fast R-CNN и SSD, а также научитесь использовать TensorFlow Object Detection API.
От дискриминативных моделей к генеративным: Style transfer
Познакомитесь с методом Style Transfer, который позволяет создавать изображения с новыми стилями на основе имеющихся изображений и текстур. Разберётесь в процессе генерации текстур и реализации Style Transfer с использованием нейронных сетей.
Генеративные состязательные сети
Изучите генеративные состязательные сети (GAN) - мощный инструмент для генерации данных. Разберётесь в сравнении распределений и научитесь создавать 2D GAN, а также поймёте, как применять GAN для генерации изображений. Освоите Deep Convolutional GAN (DCGAN) и его применение.
Введение в NLP
Перейдёте к обработке естественного языка (NLP). Поймёте, какие задачи можно решать в NLP, научитесь предварительной обработке текста и векторизации текста с использованием Bag of Words. Изучите векторизацию слов с помощью метода Word2Vec.
NLP на нейросетях. Рекуррентные нейросети и классификация текстов
Познакомитесь с нейросетями, применяемыми в NLP. Разберётесь в рекуррентных нейросетях, научитесь создавать их и использовать для классификации текстов. Освоите продвинутые рекуррентные нейросети, такие как LSTM и GRU, реализуете их с помощью Keras.
NLP на нейросетях. Языковые модели, Attention, Transformer
Углубитесь в более сложные концепции NLP на основе нейронных сетей: создадите языковую модель, поймёте, как работает механизм внимания (Attention) и реализуете его. Изучите архитектуру Transformer, которая стала основой для многих современных моделей в NLP.
Обучение с подкреплением. Q-Learning
Изучите обучение с подкреплением - методом обучения агента взаимодействием с окружающей средой. Разберётесь в основных понятиях и терминологии, познакомитесь с библиотекой Gym для создания сред и изучите формальную постановку задачи обучения с подкреплением. Овладеете Q-функцией и узнаете, как реализовать табличный Q-Learning.
Обучение с подкреплением. Deep Q-Learning
Изучите Deep Q-Learning, включая метод Experience Replay и другие подходы в обучении с подкреплением.
Ускорение и оптимизация нейронных сетей
Узнаете о методах ускорения и оптимизации нейронных сетей. Разберётесь в трюках по оптимизации нейронных сетей и научитесь создавать поканальную сепарабельную свёртку с использованием библиотеки TensorRT. Изучите метод прореживания (Pruning) и научитесь применять библиотеку TensorRT для оптимизации нейронных сетей.
