Курс Deep Learning
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 обробки природної мови та комп’ютерного зору.
—
Тому цей курс складається з наступних тематичних частин:
- Обробка природної мови (NLP) (2-7 модулі)
- Комп’ютерний зір (8-14 модулі)
- Оптимізація нейронних мереж і використання на виробництві (15-16 модулі).
Основним робочим інструментом є PyTorch.
—
Курс може бути корисним ML-спеціалістам, які тільки починають і цікавляться комп’ютерним зором та обробкою природної мови. 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 обробки природної мови та комп’ютерного зору.
- Користуватися фреймворком PyTorch, бібліотеками Hugging Face та OpenCV.
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
3. Ембединги
- Представлення тексту у вигляді векторів
- Класичні алгоритми ембедингів для завдань NLP
- Word2vec, GloVe, fastText
4. Текст як послідовність
- RNN, LSTM, GRU
5. Моделі послідовності до послідовності (seq-to-seq)
- Bi-directional LSTM
- Моделі encoder-decoder
6. Transformers
- Attention. Encoder, decoder. Self-attention
- BERT vs GPT-2
7. Поширені завдання NLP з використанням Transformers
- Класифікація текстів
- Відповідь на запитання
- Семантичний пошук
8. Генеративні моделі
- Перефразування, сумаризація тексту
- Великі мовні моделі (LLMs)
9. Згорткові нейронні мережі
- Класифікація зображень
- Попередня обробка зображень. Аугментація
10. Трансфер навчання
- LeNet, AlexNet, VGGNet, Inception, ResNet, EfficientNet
11. Детекція об'єктів
- R-CNN, YOLO, SSD
12. Семантична сегментація, об'єктна сегментація
- UNet, Mask R-CNN, YOLACT
13. Генерація зображень
- Автокодери. GAN
- Передача нейронного стилю
14. Diffusers
- Текстове підсумування зображення
- Text-to-Image
- Production
15. Оптимізація NN
- Налаштування гіперпараметрів
- Прискорення тренування. Накопичення градієнта
- Контрольні точки градієнта. Змішана середня точність
16. 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!
