Обучение Data Science – Курс Data Scientist в СПб | Level Up

Курс Нейросети для дата-сайентистов

Начало курса: 29.05.2024
Продолжительность: 1 месяц (20+ ак. часов)
Расписание: Ср 19:00 - 21:00

Сб 11:00 - 13:00

Онлайн
(15 мест) 25990 записаться

Описание курса

Курс по нейросетям рассчитан на дата-сайентистов, которые уже владеют классическими алгоритмами и машинным обучением, но хотят освоить нейронные сети.

В этом курсе вы получите фундаментальные знания о нейросетях, начиная с базовых принципов и до продвинутых технологий.

Мы изучим различные типы нейросетей, такие как многослойные персептроны, сверточные нейросети, рекуррентные нейросети и глубокие нейросети.

Вы также научитесь использовать фреймворк PyTorch, для создания и обучения нейросетей.

Кому будет полезен данный курс:

Дата-сайентистам, которые уже имеют опыт в области классических алгоритмов и хотят расширить свои знания в deep learning
Аналитикам, которые хотят расширить свои знания и лучше понимать коллег

Чему Вы научитесь:

Использовать Pytorch
Писать собственные простые нейронные сети
Углубитесь в нейронные сети для computer vision и nlp
Разберетесь в современных архитектурах
Сможете дообучать нейронные сети самостоятельно
Бороться переобучением, аугментировать данные и многим другим современным практикам из мира deep learning

Инструменты и технологии, которые будем использовать на курсе:

Python
Jupyter Notebook
Git и Github
pytorch

Требования к участникам курса:

Elementary знание английского
Знание классического машинного обучения и теоретической базы

Программа

развернуть

Введение в нейросети и PyTorch

развернуть

Сверточный нейронные сети

Введение в сверточные нейронные сети (CNN): определение, принцип работы и примеры применения.
Архитектуры CNN: простые и глубокие модели, архитектура AlexNet, VGG, GoogLeNet, ResNet.
Концепция свертки и пулинга: определение, виды свертки и пулинга, их роль в улучшении качества модели.
Примеры задач, решаемых с помощью CNN: классификация изображений, распознавание лиц, обнаружение объектов и другие.
Регуляризация в нейронных сетях: определение, принцип работы, L1 и L2 регуляризация.
Dropout и Batch Normalization: определение, роль в регуляризации, примеры использования.
Аугментация данных: определение, методы аугментации, их роль в улучшении качества модели.
Обучение CNN с помощью PyTorch: создание модели, определение функции потерь, выбор оптимизатора, обучение модели, оценка результатов.
Примеры решения задач с помощью CNN и PyTorch: классификация изображений с помощью CNN, распознавание лиц с помощью глубоких сверточных нейронных сетей.
Тонкости использования PyTorch для обучения CNN: работа с GPU, сохранение и загрузка моделей, визуализация результатов и отладка.
Обзор других фреймворков для работы с CNN: TensorFlow, Keras, Theano, Caffe и другие.
Реализация своей собственной модели CNN на PyTorch.
Тенденции развития CNN и перспективы их применения в будущем.

развернуть

Подведение итогов

Преподаватели

Задать вопрос

Антон

Ведущий эксперт Data Science в Neoflex

Я работаю в подразделении, которое занимается машинным обучением. Мой предыдущий опыт связан с решением задач из области nlp и аналитики данных. Кроме того, умею работать с бигдата-фреймворками и решать задачи из области компьютерного зрения.