Получить доступ
Эксклюзивный партнер
Skillbox в Киргизии
burger
Каталог Аналитика и Data Science Data Scientist. ML. Средний уровень (нейронные сети)

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.

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.

Записаться на курс или получить бесплатную консультацию
Имя
Телефон
Электронная почта
Отправить
Ознакомиться с условиями публичного договора
success
error
warning

Спикеры

Валентин Пановский
Валентин
Пановский
Chief Data Scientist в Skillbox. Блоки «Аналитика и машинное обучение. Начальный уровень»
Лидия Храмова
Лидия
Храмова
Team Lead Data Scientist группы бизнес-моделирования в QIWI. Блок «Статистика и теория вероятностей»
Алла Тамбовцева
Алла
Тамбовцева
Преподаватель НИУ ВШЭ
Александр Джумурат
Александр
Джумурат
Руководитель команды разработки рекомендательной системы в ivi.ru
Дмитрий Коробченко
Дмитрий
Коробченко
Deep Learning R&D инженер и менеджер в NVIDIA. Блок «Машинное обучение. Средний уровень»
Алексей Мастов
Алексей
Мастов
Deep Learning инженер в NVIDIA. Блок «Машинное обучение. Средний уровень»
Михаил Овчинников
Михаил
Овчинников
Ведущий разработчик Badoo. Стаж в разработке: 10+ лет
Роман Булгаков
Роман
Булгаков
Преподаватель информатики и программирования со стажем более 5 лет
Александр Панёв
Александр
Панёв
Руководитель бизнес-аналитики в Rambler Group. Блок «Аналитика. Средний уровень»
Артемий Козырь
Артемий
Козырь
Старший аналитик данных Wheely. Блок «Аналитика. Начальный уровень»
Андрей Мещеряков
Андрей
Мещеряков
Applied Scientist, Zalando

О Skillbox

Skillbox
по качеству обучения. Вся теория записана с топовыми экспертами рынка, а практика максимально приближена к реальным рабочим задачам. Послушайте, что говорят те, кто уже достиг своих целей вместе со Skillbox.
Записаться на курс
-50%
33 078 сом
66 155 сом
percent Кешбэк 30%: 9 924 балла на Lerna
Data Scientist. ML. Средний уровень (нейронные сети)
Длительность: 1 мес
Заполните контактные данные
Имя
Телефон
E-mail
Промокод
Название компании
Отправить заявку
Ознакомиться с условиями публичного договора
success
error
warning