- Регистрация
- 26.05.2022
- Сообщения
- 23 590
- Реакции
- 56
- Баллы
- 48
Что даст вам этот курс
В первых двух модулях курса мы разбираем всю необходимую теорию для дальнейшего погружения в глубокое обучение, изучаем основные фреймворки (PyTorch, Keras, Tensorflow) для разработки нейронных сетей и решаем классические задачи компьютерного зрения, обработки естественных языков и обучения с подкреплением.
Третий модуль посвящен современным подходам к решению классических задач компьютерного зрения и обработки естественных языков. Мы узнаем, как от предсказательных моделей перейти к генеративным, научимся работать с нестандартными представлениями данных и решать задачи в условиях недостаточной разметки.
В четвертом модуле обсуждаются подходы к решению задач, традиционно считавшихся “человеческими”. Мы поговорим о фантазии, подражании, использовании собственного опыта и неструктурируемых данных.
Основные преимущества:
Научитесь работать с нейронными сетями с использованием фреймворков PyTorch, Tensorflow, Keras
Изучите теорию и практику по таким важным направлениям Deep Learning как Computer Vision, NLP, обучение с подкреплением
Самый современный материал про глубокое обучение
Программа подготовлена признанным экспертом по глубокому обучению
Необходимые знания
Знание линейной алгебры, начала анализа и теории вероятностей.
Владение языком программирования Python на уровне Junior (знать программирование на Python на базовом уровне необходимо, так как модели машины реализуются на Python).
Программа
Первые шаги
Искусственный интеллект и другие задачи которые можно решать с помощью нейронных сетей
Стохастический градиентный спуск и метод обратного распространения
Первая нейронная сеть на PyTorch
Переобучение и регуляризация нейронных сетей
Первая нейронная сеть на Tensorflow
Взрыв и затухание градиентов
Погружение в Tensorflow
Адаптивные методы градиентного спуска
Основные архитектуры и методы обучения нейронных сетей
Основные архитектуры нейронных сетей: Автокодировщики
Практическое занятие на TensorFlow. Разреженный Автокодировщик
Основные архитектуры нейронных сетей: Сверточные сети
Практическое занятие на Keras. Transfer Learning.
Основные архитектуры нейронных сетей: Рекуррентные сети
Практическое занятие на PyTorch. Генерация Википедии.
Введение в обучение с подкреплением
Практическое занятие. Крестики-нолики
Современные нейронные сети для задач компьютерного зрения и обработки естественных языков
Современные сверточные сети. Блоки и шорткаты.
Современные рекуррентные сети. Внимание.
Metric-learning и обучение без примеров
Современные рекуррентные сети. Трансформеры.
Современные сверточные сети. Transfer learning и fine-tuning
Катастрофическое забывание.
Глубокие сверточные сети. Сегментация
Глубокие сверточные сети. Детекция
Нейронные сети для слабоформализуемых задач
Генеративные состязательные сети
Вариационный и состязательный автокодировщики
Доменная адаптация и условная генерация
Генеративные модели для текстов
Обратное обучение с подкреплением
Глубокое обучение с подкреплением
Сверточные и рекуррентные сети на графах
Сферические свертки и множества точек
otus.ru/lessons/deep-learning-engineer/
В первых двух модулях курса мы разбираем всю необходимую теорию для дальнейшего погружения в глубокое обучение, изучаем основные фреймворки (PyTorch, Keras, Tensorflow) для разработки нейронных сетей и решаем классические задачи компьютерного зрения, обработки естественных языков и обучения с подкреплением.
Третий модуль посвящен современным подходам к решению классических задач компьютерного зрения и обработки естественных языков. Мы узнаем, как от предсказательных моделей перейти к генеративным, научимся работать с нестандартными представлениями данных и решать задачи в условиях недостаточной разметки.
В четвертом модуле обсуждаются подходы к решению задач, традиционно считавшихся “человеческими”. Мы поговорим о фантазии, подражании, использовании собственного опыта и неструктурируемых данных.
Основные преимущества:
Научитесь работать с нейронными сетями с использованием фреймворков PyTorch, Tensorflow, Keras
Изучите теорию и практику по таким важным направлениям Deep Learning как Computer Vision, NLP, обучение с подкреплением
Самый современный материал про глубокое обучение
Программа подготовлена признанным экспертом по глубокому обучению
Необходимые знания
Знание линейной алгебры, начала анализа и теории вероятностей.
Владение языком программирования Python на уровне Junior (знать программирование на Python на базовом уровне необходимо, так как модели машины реализуются на Python).
Программа
Первые шаги
Искусственный интеллект и другие задачи которые можно решать с помощью нейронных сетей
Стохастический градиентный спуск и метод обратного распространения
Первая нейронная сеть на PyTorch
Переобучение и регуляризация нейронных сетей
Первая нейронная сеть на Tensorflow
Взрыв и затухание градиентов
Погружение в Tensorflow
Адаптивные методы градиентного спуска
Основные архитектуры и методы обучения нейронных сетей
Основные архитектуры нейронных сетей: Автокодировщики
Практическое занятие на TensorFlow. Разреженный Автокодировщик
Основные архитектуры нейронных сетей: Сверточные сети
Практическое занятие на Keras. Transfer Learning.
Основные архитектуры нейронных сетей: Рекуррентные сети
Практическое занятие на PyTorch. Генерация Википедии.
Введение в обучение с подкреплением
Практическое занятие. Крестики-нолики
Современные нейронные сети для задач компьютерного зрения и обработки естественных языков
Современные сверточные сети. Блоки и шорткаты.
Современные рекуррентные сети. Внимание.
Metric-learning и обучение без примеров
Современные рекуррентные сети. Трансформеры.
Современные сверточные сети. Transfer learning и fine-tuning
Катастрофическое забывание.
Глубокие сверточные сети. Сегментация
Глубокие сверточные сети. Детекция
Нейронные сети для слабоформализуемых задач
Генеративные состязательные сети
Вариационный и состязательный автокодировщики
Доменная адаптация и условная генерация
Генеративные модели для текстов
Обратное обучение с подкреплением
Глубокое обучение с подкреплением
Сверточные и рекуррентные сети на графах
Сферические свертки и множества точек
otus.ru/lessons/deep-learning-engineer/