Top.Mail.Ru
8 812 320 13 03
  • Новости
  • Расписание
  • Курсы
  • Организациям
  • Контакты
  • Перезвоните мне

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

    Курс Нейросети для дата-сайентистов

    Курс Нейросети для дата-сайентистов
    Начало курса
    04.09.2024
    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

    • Введение в нейросети: определение, история, принцип работы.
    • Примеры задач, решаемых с помощью нейросетей: классификация изображений, распознавание речи, машинный перевод и другие.
    • Основные компоненты нейросети: слои, функции активации, оптимизаторы и функции потерь.
    • Введение в PyTorch: история, основные концепции, инструменты и преимущества.
    • Тензоры в PyTorch: определение, типы, создание и преобразование тензоров.
    • Операции в PyTorch: математические операции, операции с тензорами, генерация случайных чисел и другие.
    • Создание и обучение нейросетей с помощью PyTorch: создание модели, определение функции потерь, выбор оптимизатора, обучение модели, оценка результатов.
    • Обзор других фреймворков для работы с нейросетями: TensorFlow, Keras, Theano, Caffe и другие.
    • Написание собственной реализации нейронной сети на PyTorch.
    • Тенденции развития нейросетевых технологий и перспективы их применения в будущем.
    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

    Transfer Learning

    • Введение и понятие Transfer Learning
    • Применение Transfer Learning в различных задачах
    • Преимущества и недостатки Transfer Learning
    • Предобученные модели для Computer Vision
    • Предобученные модели для Natural Language Processing
    • Fine-tuning предобученных моделей
    • Реализация Transfer Learning на PyTorch на практике
    • Практические примеры Transfer Learning в различных областях (Computer Vision, NLP)
    • Ограничения и риски Transfer Learning в реальных проектах
    • Best practices для использования Transfer Learning
    развернуть

    Классическое NLP, эмбеддинги и BERT

    • Введение в NLP, определение NLP и его применение
    • Рекуррентные нейронные сети (RNN)
    • Трансформеры
    • Что такое BERT и для чего его используют
    • Архитектура BERT
    • Обучение BERT на больших корпусах данных
    • Примеры применения BERT в NLP.
    • Использование BERT для классификации текстовых данных и задачи NER
    • Возможные направления дальнейшего изучения NLP
    развернуть

    Работа над проектами

    развернуть

    Подведение итогов

    Преподаватели

    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.

    Фото с очных занятий в СПб

    Курсы программирования, тестирования, мобильных и веб-технологий от Level UP!
    Учитесь с профессионалами в сфере IT-образования!