Ближайшая дата курса: 18.10.2021
Следующая дата курса:
Data Science. Уровень 3: Нейронные сети
Нейронные сети – это математические модели и их программное воплощение. Нейронная сеть имитирует структуру и свойства организации нервной системы живых организмов и позволяет решать задачи с заданным алгоритмом и формулами, учитывая прошлый опыт. Это обучаемая система.
Основная идея использования нейросетей – решение сложных задач, для которых стоит лишь задать некоторый критерий качества, который будет минимизирован или оптимизирован. Нейронная сеть способна обучаться решению задач, для которых у человека не существует формализованных, быстрых или работающих с приемлемой точностью теоретических или эмпирических алгоритмов.
На третьем уровне подготовки дата сайентистов в Образовательном центре МГТУ им. Н.Э. Баумана Вы научитесь:
- Работать с библиотекой Keras
- Работать с полносвязной нейронной сетью
- Решать задачи сверточных нейронных сетей
- Решать задачи классификации, регрессии и построения временных рядов
- Внедрять нейронные сети в продакшн
Для успешного усвоения курса требуется знания по курсу “Data Science. Уровень 2: Машинное обучение” или аналогичная подготовка.
Продолжить обучение можно на курсе “Data Science. Уровень 4: Нейронные сети. Продвинутый уровень”
Во время обучения Вы узнаете:
Введение в библиотеку Keras
- Глубинное обучение.
- Микросервисы глубинного изучения.
- Назначение Keras.
- Основной функционал.
- Установка и настройка.
- Методы написания нейронных сетей.
- Основные разделы библиотеки.
- Два основных типа моделей: последовательная модель Sequential и класс Model.
- Слои в Keras.
4 ак.ч.
Архитектуры нейронных сетей: Dense слои (полносвязные)
- Понятие нейронная сеть. История развития.
- Решаемые задачи.
- Полносвязные нейронные сети Dense слои (перцептрон).
- Разбор кода, решение задачи с помощью полносвязной нейронной сети.
4 ак.ч.
Архитектуры нейронных сетей: conv слои (сверточные)
- Свёрточные нейронные сети.
- Задачи распознавания изображений.
- Архитектура свёрточной нейронной сети.
- Разбор кода – решение задач распознавания изображений с помощью свёрточных нейронных сетей.
4 ак.ч.
Архитектуры нейронных сетей: метрики и функции потерь. Проблема переобучения
- Метрики и функции потерь.
- Проблема переобучения.
- Метрики, используемые в нейронных сетях и функции потерь.
- Оптимизаторы.
- Понятие переобучения и способы решения проблем с переобучением.
6 ак.ч.
Решение задач с помощью нейронных сетей: классификация
- Классификация.
- Решение задач классификации с использованием нейронных сетей.
6 ак.ч.
Решение задач с помощью нейронных сетей: регрессия
- Решение задач регрессии с использованием нейронных сетей.
6 ак.ч.
Решение задач с помощью нейронных сетей: прогнозирование временных рядов
- Прогнозирование временных рядов.
- Проблемы временных рядов, трудности и пути решения.
- Особенности разделения обучающей и тестовой выборки.
- Разбор кода и решение задачи прогнозирования временных рядов с помощью нейронных сетей.
6 ак.ч.
Решение задач с помощью нейронных сетей: обработка аудио при помощи нейронных сетей
- Особенности работы с аудио.
- Параметризация аудио.
- Архитектуры нейронных сетей.
- Разбор кода и решение задачи классификации аудиофайлов.
6 ак.ч.
Решение задач с помощью нейронных сетей: классификация изображений
- Задача сегментации изображений.
- Сложности, области применения.
- Метрики качества.
- Разбор кода – сегментация изображений для автопилота.
6 ак.ч.
Решение задач с помощью нейронных сетей: внедрение в Production
- Особенности внедрения нейронных сетей в продакшн.
6 ак.ч.
Построение модели нейронной сети и внедрение в Production
- Обучение нейронной сети – классификация изображений.
- Создание веб – приложения.
- Загрузка на heroku.com.
8 ак.ч.
62 ак.ч.
Стоимость обучения: 39 450 р.
Даты
Время
Цена
Место занятий
Преподаватель
18-10
окт ноя
2021
18:30 – 21:40
вечерняя
пн ср пт
м. Бауманская
МГТУ им. Баумана
Соколов Григорий Владимирович
Образование
Пермский государственный технический университет. Механико-технологический факультет. Композиционные материалы.
Дополнительное образование
1. Пермский государственный финансово – экономический колледж при правительстве РФ. Финансист.
2. Университет искусственного интеллекта. Data scientist & Engineer
Опыт работы более 10 лет
- Решение сложных инжиниринговых задач в области финансов, производства и ИТ.
- Создание IT-систем с применением методов искусственного интеллекта при МГТУ им. Н.Э. Баумана.
- Разработка и внедрение систем для Министерства обороны, ФНС, Госархива РФ, ФСО.
- Автором программно-технического комплекса “BAUM AI” для хранения больших данных, обучения и использования моделей искусственного интеллекта без необходимости кодирования – по принципу drag-n-drop.
После успешного прохождения образовательных программ, предлагаемых МГТУ им. Н. Э Баумана, вы получите один из следующих документов:
Сертификат (на русском языке с дублированием информации на английском языке) установленного образца, в котором будут указаны полное наименование программы и количество часов обучения.
Удостоверение о повышении квалификации (на русском языке), в котором будут указаны полное наименование программы и количество часов обучения.
* Удостоверение о повышении квалификации выдается слушателям, успешно завершившим обучение по образовательным программам повышения квалификации. Тип выбранной Вами образовательной программы Вы можете уточнить у менеджеров.
- + Программа курса
-
Во время обучения Вы узнаете:
Введение в библиотеку Keras
- Глубинное обучение.
- Микросервисы глубинного изучения.
- Назначение Keras.
- Основной функционал.
- Установка и настройка.
- Методы написания нейронных сетей.
- Основные разделы библиотеки.
- Два основных типа моделей: последовательная модель Sequential и класс Model.
- Слои в Keras.
4 ак.ч.
Архитектуры нейронных сетей: Dense слои (полносвязные)
- Понятие нейронная сеть. История развития.
- Решаемые задачи.
- Полносвязные нейронные сети Dense слои (перцептрон).
- Разбор кода, решение задачи с помощью полносвязной нейронной сети.
4 ак.ч.
Архитектуры нейронных сетей: conv слои (сверточные)
- Свёрточные нейронные сети.
- Задачи распознавания изображений.
- Архитектура свёрточной нейронной сети.
- Разбор кода – решение задач распознавания изображений с помощью свёрточных нейронных сетей.
4 ак.ч.
Архитектуры нейронных сетей: метрики и функции потерь. Проблема переобучения
- Метрики и функции потерь.
- Проблема переобучения.
- Метрики, используемые в нейронных сетях и функции потерь.
- Оптимизаторы.
- Понятие переобучения и способы решения проблем с переобучением.
6 ак.ч.
Решение задач с помощью нейронных сетей: классификация
- Классификация.
- Решение задач классификации с использованием нейронных сетей.
6 ак.ч.
Решение задач с помощью нейронных сетей: регрессия
- Решение задач регрессии с использованием нейронных сетей.
6 ак.ч.
Решение задач с помощью нейронных сетей: прогнозирование временных рядов
- Прогнозирование временных рядов.
- Проблемы временных рядов, трудности и пути решения.
- Особенности разделения обучающей и тестовой выборки.
- Разбор кода и решение задачи прогнозирования временных рядов с помощью нейронных сетей.
6 ак.ч.
Решение задач с помощью нейронных сетей: обработка аудио при помощи нейронных сетей
- Особенности работы с аудио.
- Параметризация аудио.
- Архитектуры нейронных сетей.
- Разбор кода и решение задачи классификации аудиофайлов.
6 ак.ч.
Решение задач с помощью нейронных сетей: классификация изображений
- Задача сегментации изображений.
- Сложности, области применения.
- Метрики качества.
- Разбор кода – сегментация изображений для автопилота.
6 ак.ч.
Решение задач с помощью нейронных сетей: внедрение в Production
- Особенности внедрения нейронных сетей в продакшн.
6 ак.ч.
Построение модели нейронной сети и внедрение в Production
- Обучение нейронной сети – классификация изображений.
- Создание веб – приложения.
- Загрузка на heroku.com.
8 ак.ч.
62 ак.ч.
Стоимость обучения: 39 450 р.
- + Расписание
-
Даты
Время
Цена
Место занятий
Преподаватель
18-10
окт ноя
2021
18:30 – 21:40
вечерняя
пн ср пт
м. Бауманская
МГТУ им. Баумана - + Преподаватели
-
Соколов Григорий Владимирович
Образование
Пермский государственный технический университет. Механико-технологический факультет. Композиционные материалы.Дополнительное образование
1. Пермский государственный финансово – экономический колледж при правительстве РФ. Финансист.
2. Университет искусственного интеллекта. Data scientist & EngineerОпыт работы более 10 лет
- Решение сложных инжиниринговых задач в области финансов, производства и ИТ.
- Создание IT-систем с применением методов искусственного интеллекта при МГТУ им. Н.Э. Баумана.
- Разработка и внедрение систем для Министерства обороны, ФНС, Госархива РФ, ФСО.
- Автором программно-технического комплекса “BAUM AI” для хранения больших данных, обучения и использования моделей искусственного интеллекта без необходимости кодирования – по принципу drag-n-drop.
- + Документы об окончании
-
После успешного прохождения образовательных программ, предлагаемых МГТУ им. Н. Э Баумана, вы получите один из следующих документов:
Сертификат (на русском языке с дублированием информации на английском языке) установленного образца, в котором будут указаны полное наименование программы и количество часов обучения.
Удостоверение о повышении квалификации (на русском языке), в котором будут указаны полное наименование программы и количество часов обучения.
* Удостоверение о повышении квалификации выдается слушателям, успешно завершившим обучение по образовательным программам повышения квалификации. Тип выбранной Вами образовательной программы Вы можете уточнить у менеджеров.
- + Отзывы
-