Главная / Курсы / Data Science

Deep Learning

Курс для специалистов в области программирования и машинного обучения. Вы освоите работу с востребованными областями ИИ и различными типами нейронных сетей, которые лежат в основе современных цифровых продуктов. После окончания курса сможете претендовать на позицию ведущего data scientist или специалиста машинного обучения уровня миддл+ в средних и крупных организациях.

Формат

Лекции в записи

Начало обучения

20 апреля

Продолжительность курса

3 месяца

Где проходит обучение

На собственной платформе

Уровень сложности

Новичок

Этот курс включает

Видеоуроки в записи, Вебинары, Домашние задания, Домашние задания, Видеоуроки в записи, Домашние задания, Видеоуроки в записи, Домашние задания, Видеоуроки в записи, Домашние задания, Видеоуроки в записи, Домашние задания, Видеоуроки в записи, Домашние задания, Видеоуроки в записи

от 52 500 руб.

Перейти на страницу курса

Чему вы научитесь?

Работать с многомерными свёртками. Освоите инструменты Padding&stride, Pooling и LeNet. AlexNet, VGG, NiN, GoogLeNet, ResNet и DenseNet,Генерировать тексты и изображения. Научите компьютер создавать картины и литературные произведения, вдохновляясь великими мастерами своего дела,Реализовывать NLP с нуля. Сможете строить классические RNN, GRU и LSTM и Encoder-Decoder-архитектуры. Познакомитесь с ячейками (GRU/LSTM) и эмбедингами,Находить объекты на картинке. Будете решать прикладные задачи: Object Detection, Object Localization, Bounding boxes и AnchorBoxes. Углубитесь в CNN,Отличать дескриминатор от генератора. Обучите генератор выбирать данные из линейной регрессии. Реализуете сеть генерации покемонов и обучите её ,Строить языковые модели. Познакомитесь с NER и машинным переводом: от Word2Wec до определения тональности и преобразования текста

О курсе

Углубите свою экспертизу в работе с нейросетями

Отработаете навыки на практике: добавите 8 проектов в портфолио

Будете учиться при поддержке сообщества экспертов и менторов

Программа обучения

Персептрон

Познакомитесь с базовыми элементами нейронной сети. Научитесь строить простые модели для решения задач регрессии и классификации.

Многослойная нейронная сеть

Узнаете принципы построения многослойной нейронной сети. Поймёте, как оценить качество обучения. Познакомитесь с понятием переобучения нейросети, изучите разные методы оптимизации нейронных сетей: градиентный спуск и его основные модификации. Изучите основные способы регуляризации нейронных сетей: ранняя остановка, L1/L2, dropout, batch normalization.

Свёрточные сети

Узнаете, как работает свёрточная операция. Разберётесь, как повысить устойчивость сетей к сдвигам и трансформациям с помощью пулинга (pooling). Познакомитесь с первой свёрточной сетью LeNet.

Современные свёрточные архитектуры

Познакомитесь с различными архитектурами свёрточных сетей: LeNet, AlexNet, VGG, NiN, GoogLeNet, ResNet. Изучите подходы к улучшению качества сети: аугментация и fine-tuning.

Рекуррентные сети

Поймёте, как построить языковые модели. Узнаете, зачем нужны рекуррентные нейронные сети и как они работают. Рассмотрите виды рекуррентных нейронных сетей: GRU и LSTM. Сгенерируете текст при помощи нейросети. Узнаете, как строить более глубокие RNN. Познакомитесь с двунаправленными RNN (bidirectional RNN). Узнаете о возможностях Residual Connections для RNN. Изучите архитектуру модели Encoder-decoder, познакомитесь с понятием информационный bottleneck. Потренируетесь решать задачи машинного перевода на основе рекуррентных сетей.

Механизм внимания

Познакомитесь с механизмом внимание (attention) и его основными видами: dot-product, линейная модель, аддитивная модель, self-attention и multi-head attention. Изучите два способа реализации внимания: на скалярном произведении и на MLP. Узнаете, как attention привёл к появлению архитектуры Transformer.

Компьютерное зрение

Изучите основные датасеты и метрики качества для решения задач визуального обнаружения объектов и распознавания изображений. Познакомитесь с подходами к детектированию объектов: Region Based, YoLo, SSD. Узнаете, что такое семантическая сегментация. Познакомитесь с архитектурами SegNet и U-Net. Узнаете различные методы модификации изображений: технология Deep dream, матрица Грама, генерация текстур, Neural style transfer.

Работа с текстом

Познакомитесь с понятием «векторное представление слов» (word embedding) и основными методами построения векторов слов: SVD, Word2vec. Узнаете, что такое transfer learning и как оно используется в NLP. Познакомитесь с основными предобученными текстовыми моделями: ELMo, BERT и его вариациями, GPT. Сможете решать задачи классификации, межъязыкового семантического поиска и генерации продолжения текста.

Генеративные состязательные сети (GAN)

Научитесь применять обычные и вариационные автоэнкодеры и строить архитектуру генеративных состязательных сетей (Generative Adversarial Networks, GAN). Создадите генератор лиц аниме с использованием GAN. Познакомитесь с глубоким обучением с подкреплением.

Итоговый проект

Вы самостоятельно выбираете задачу и тему проекта и работаете над ним под руководством преподавателей курса. В результате защитите диплом перед экспертом.

Перейти на страницу курса