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 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!
