spinner-it

Deep Learning

Старт навчання
Старт курсу запитуйте в адміністрації
60 год. Тривалість заняття - 3 год
З 18:30 (19:00)
Двічі 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: 
  • Комп’ютерний зір (2-8 модулі);
  • Обробка природної мови (9-14 модулі);
  • 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 вивчення 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.
  1. Сучасні нейронні мережі
  • Tensorflow і Keras.
  • PyTorch.
  • Створення простої нейронної мережі з Keras.
  1. Згорткові нейронні мережі
  • Шари в CNN.
  • Feature learning.
  • Простий класифікатор зображень на Keras.
  • Створення множинного класифікатора.
  1. Обробка зображень і їх аугментація
  • OpenCV.
  • Аугментація в Keras.
  • Albumentations.
  1. Transfer Learning для класифікації
  • Головна ідея transfer learning.
  • ImageNet.
  • LeNet.
  • AlexNet.
  • VGGNet.
  • GoogLeNet.
  • ResNet.
  • ZFNet.
  1. Виявлення об’єктів
  • R-CNN.
  • SSD.
  • YOLO.
  1. Сегментація зображень
  • Fully Convolutional Network (FCN).
  • ParseNet.
  • U-Net.
  • Mask R-CNN.
  • SSMA
  • DeepLab.
  • MinkowskiNet.
  1. Генеративно-змагальні нейронні мережі
  • Як працюють GAN`и.
  • Neural style transfer.
  • Autoencoders.
  • Створення GAN в Keras.
09.Обробка природної мови
  • Підготовка текстів.
  • Задачі NLP: аналіз тональностей, реферування текстів, генерація текстів, моделювання тем.
  • Мішок слів.
  • Тексти як послідовності.
  1. Features engineering для NLP
  • Tf-idf.
  • Лематизація і стемінг.
  • N-grams.
  • Створення ознак схожості.
  1. Word Embeddings
  • Word2vec.
  • GloVe.
  • fastText.
  1. Sequence models
  • LSTM.
  • RNN.
  • GRU.
  1. Transfer Learning для NLP
  • XLNet.
  • BERT.
  • NER-models.
  1. Моделювання тем та реферування текстів
  • Класичні LDA та LSA.
  • lda2vec.
  • Familia.
  1. Автоматизація відповідей на запитання через нейронні мережі
  • QRN.
  • Attentive LSTM.
  • HyperQA.
  • XLNet для відповідей на запитання.
  1. Прогнозування часових рядів за допомогою нейронних мереж
  • Обробка часових рядів.
  • Підготовка ознак для часових рядів.
  • Прості підходи до прогнозування часових рядів.
  1. Рекурентні нейронні мережі для часових рядів
  • LSTMs для одновимірних часових рядів.
  • LSTMs для багатовимірних часових рядів.
  1. Покращення глибоких нейронних мереж
  • Оптимізація алгоритмів.
  • Тюнінг гіперпараметрів.
  • Батч нормалізація.
  1. Tensorflow для продакшн.
  • Tensorflow Extended (TFX).
  • TF Serving.
  • Flask.
  • Apache.
  1. 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!

Карантин Education Challenge. Знижка 40% на всі курси! Обирай свій курс

Карантин Education Challenge. Знижка 40% на всі курси! Обирай свій курс