- Регистрация
- 26.05.2022
- Сообщения
- 26 711
- Реакции
- 166
- Баллы
- 63
[Deep Cases] Практические кейсы с нейронными сетями
За 12 занятий студенты научатся самостоятельно
решать прикладные задачи разных типов
от простой классификации количественных признаков
до сегментации изображений и анализа текста.Программа
Вступление в машинное обучение / устанавливаем софт
Логистическая регрессия / распознавание ядовитых грибов с scikit-learn
Искусственные нейронные сети / диагностика аритмии сердца с Keras
Контроль обучения нейронных сетей / от визуализации до регуляризации с Keras
Основы сверточных нейронных сетей / распознавание породы собак с Caffe
Сверточные нейронные сети: локализация и сегментация / сегментация лиц с Caffe
Продвинутые архитектуры сверточных нейронных сетей / перенос стиля с Tensorflow
Основы рекуррентных нейронных сетей / прогнозирование показателей энергетических компаний с Tensorflow
Рекуррентные сети для NLP 1 / анализ текстовых данных с Tensorflow
Рекуррентные сети для NLP 2 / word representations с Tensorflow и Gensim
Нестандартные архитектуры нейросетей / решаем исследовательский кейс
Рынок ИИ и области для исследований / план для самообразования и подготовки к интервью
Преподаватели
Гончар Александр
Консультант по машинному обучению, researcher в University of Verona, имеет опыт решения задач в индустрии онлайн игр, классификации данных с мобильных сенсоров, компьютерного зрения (распознавание, сегментация, перенос стиля), определения структуры текстовых данных, финтех приложений и анализа медицинских данных.
Стецюк Катерина
Data Scientist в Alter Ego, занималась эволюционными методами в анализе данных, применяла машинное обучение в задачах кибербезопасности, обработки и классификации больших текстовых данных, переносе художественного стиля, определения эмоций и других задачах компьютерного зрения.
Что в результате:
Выпускники овладеют фреймворками для имплементации нейронных сетей Caffe, Keras, Tensorflow, будут понимать теорию, достаточную для дальнейшего чтения профессиональной литературы.
После окончания курса студенты будут не только знать и использовать самые “модные” инструменты из мира deep learning, а и правильно и эффективно выбирать их под свои проблемы, ориентироваться в трендах научных и прикладных задач, получат план самообразования и построения карьеры на несколько лет вперед.
Описание курса:
Курс полностью основан на решении реальных бизнес-задач и их аналогов. Предполагается, что студенты имеют базовые навыки программирования (в курсе используется Python) и понимают базовую высшую математику на “четверку” (алгебра, математический анализ, теория вероятностей).
В теории мы не обойдемся без математических моделей, будем считать производные и умножать матрицы, но для менее подкованной аудитории будем показывать работу разных нейронных сетей “на пальцах” с помощью иллюстративного материала.
На практике обойдемся без программирования вручную каждой детали, упор будет сделан на правильную работу с данными, выбор фреймворка (будут использованы Caffe, Keras, Tensorflow) и постройку архитектуры нейронной сети, контроль и визуализацию процесса обучения, тестирование. Акцент - на качественном результате по ряду метрик.
За 12 занятий студенты научатся самостоятельно
решать прикладные задачи разных типов
от простой классификации количественных признаков
до сегментации изображений и анализа текста.Программа
Вступление в машинное обучение / устанавливаем софт
Логистическая регрессия / распознавание ядовитых грибов с scikit-learn
Искусственные нейронные сети / диагностика аритмии сердца с Keras
Контроль обучения нейронных сетей / от визуализации до регуляризации с Keras
Основы сверточных нейронных сетей / распознавание породы собак с Caffe
Сверточные нейронные сети: локализация и сегментация / сегментация лиц с Caffe
Продвинутые архитектуры сверточных нейронных сетей / перенос стиля с Tensorflow
Основы рекуррентных нейронных сетей / прогнозирование показателей энергетических компаний с Tensorflow
Рекуррентные сети для NLP 1 / анализ текстовых данных с Tensorflow
Рекуррентные сети для NLP 2 / word representations с Tensorflow и Gensim
Нестандартные архитектуры нейросетей / решаем исследовательский кейс
Рынок ИИ и области для исследований / план для самообразования и подготовки к интервью
Преподаватели
Гончар Александр
Консультант по машинному обучению, researcher в University of Verona, имеет опыт решения задач в индустрии онлайн игр, классификации данных с мобильных сенсоров, компьютерного зрения (распознавание, сегментация, перенос стиля), определения структуры текстовых данных, финтех приложений и анализа медицинских данных.
Стецюк Катерина
Data Scientist в Alter Ego, занималась эволюционными методами в анализе данных, применяла машинное обучение в задачах кибербезопасности, обработки и классификации больших текстовых данных, переносе художественного стиля, определения эмоций и других задачах компьютерного зрения.
Что в результате:
Выпускники овладеют фреймворками для имплементации нейронных сетей Caffe, Keras, Tensorflow, будут понимать теорию, достаточную для дальнейшего чтения профессиональной литературы.
После окончания курса студенты будут не только знать и использовать самые “модные” инструменты из мира deep learning, а и правильно и эффективно выбирать их под свои проблемы, ориентироваться в трендах научных и прикладных задач, получат план самообразования и построения карьеры на несколько лет вперед.
Описание курса:
Курс полностью основан на решении реальных бизнес-задач и их аналогов. Предполагается, что студенты имеют базовые навыки программирования (в курсе используется Python) и понимают базовую высшую математику на “четверку” (алгебра, математический анализ, теория вероятностей).
В теории мы не обойдемся без математических моделей, будем считать производные и умножать матрицы, но для менее подкованной аудитории будем показывать работу разных нейронных сетей “на пальцах” с помощью иллюстративного материала.
На практике обойдемся без программирования вручную каждой детали, упор будет сделан на правильную работу с данными, выбор фреймворка (будут использованы Caffe, Keras, Tensorflow) и постройку архитектуры нейронной сети, контроль и визуализацию процесса обучения, тестирование. Акцент - на качественном результате по ряду метрик.
