spinner-it

Курс Deep Learning

Старт навчання
Старт курсу запитуйте в адміністрації
48 год. Тривалість заняття - 3 год
З 18:30 (19:00)
Двічі на тиждень

Опис курсу:

Основна ідея цього курсу полягає в тому, аби опанувати глибоке навчання за допомогою сучасних технологій для розв’язання задач комп’ютерного зору, обробки природної мови та прогнозування сучасних рядів.

— 

Тому цей курс складається з трьох тематичних частин:

  • комп’ютерний зір (2-7 модулі);
  • НЛП (8-13 модулі);
  • часові ряди (14-15 модулі).

Основним робочим інструментом є PyTorch.

— 

Курс може бути корисним ML-спеціалістам, які тільки починають і цікавляться комп’ютерним зором, обробкою природної мови та прогнозуванням часових рядів. Рекомендовано (але не обов’язково) проходити курси з Data Science/Machine Learning Fundamentals та Python for Data Science або їхні аналоги.

Після вивчення курсу Ви зможете:

  • Використовувати нейронні мережі для вирішення реальних задач комп’ютерного зору, обробки природної мови та прогнозування часових рядів
  • Користуватися фреймворком PyTorch, бібліотекою Tensorflow та Keras API

Програма курсу:


1. Вступ до глибокого навчання (DL)

  • DL для задач обробки природньої мови (NLP) та комп’ютерного зору (CV). Інші прикладні галузі
  • Що таке нейронна мережа (NN)?
  • Компоненти NN. Перцептрон
  • Як навчається NN? Градієнтний спуск
  • Функція втрат. Пряме і зворотне розповсюдження

2. Основи PyTorch

  • Проста NN у PyTorch
  • Функції активації. Приховані шари VS вихідні шари
  • Методи регулярізації. Рання зупинка. Dropout
  • Залишкові з'єднання
  • NLP

3. Ембединги

  • Представлення тексту у вигляді векторів
  • Класичні алгоритми ембедингів для завдань NLP
  • Word2vec, GloVe, fastText
  • Class 2 Текст як послідовність
  • RNN, LSTM, GRU

4. Моделі послідовності до послідовності (seq-to-seq)

  • Bi-directional LSTM
  • Моделі encoder-decoder

5. Transformers

  • Attention. Encoder, decoder. Self-attention
  • BERT vs GPT-2

6. Поширені завдання NLP з використанням Transformers

  • Класифікація текстів
  • Відповідь на запитання
  • Семантичний пошук

7. Генеративні моделі

  • Перефразування, сумаризація тексту
  • Великі мовні моделі (LLMs)CV

8. Згорткові нейронні мережі

  • Класифікація зображень
  • Попередня обробка зображень. Аугментація

9. Трансфер навчання

  • LeNet, AlexNet, VGGNet, Inception, ResNet, EfficientNet

10. Детекція об'єктів

  • R-CNN, YOLO, SSD

11. Семантична сегментація, об'єктна сегментація

  • UNet, Mask R-CNN, YOLACT

12. Генерація зображень

  • Автокодери. GAN
  • Передача нейронного стилю

13. Diffusers

  • Текстове підсумування зображення
  • Text-to-Image
  • Production

14. Оптимізація NN

  • Налаштування гіперпараметрів
  • Прискорення тренування. Накопичення градієнта
  • Контрольні точки градієнта. Змішана середня точність

15. Розгортання

  • FastAPI
  • Моніторинг моделей у виробництві

Мінімальні вимоги:

  • Наявність комп'ютера для участі в онлайн-заняттях
  • Пройдений курс «Python для Data Science»

Лектори:


Курс Deep Learning у Львові

* 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!

У зв'язку з карантином всі наші курси читаються у ONLINE-форматі. Діє знижка 20%. Обирай свій курс