Ближайшая дата курса: узнать дату

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: 35 850 р.

Даты

Время

Цена

Место занятий

Преподаватель

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:

серт

Сертификат (на русском языке с дублированием информации на английском языке) установленного образца, в котором будут указаны полное наименование программы и количество часов обучения.

удо

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: 35 850 р.

+ Расписание

Даты

Время

Цена

Место занятий

Преподаватель

+ 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 & 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.
+ Документы об окончании

После успешного прохождения образовательных программ, предлагаемых МГТУ им. Н. Э Баумана, вы получите один из следующих документов:

серт

Сертификат (на русском языке с дублированием информации на английском языке) установленного образца, в котором будут указаны полное наименование программы и количество часов обучения.

удо

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