Ближайшая дата курса: узнать дату

Следующая дата курса:

Data Science. Уровень 4: Нейронные сети. Продвинутый уровень

Нейронные сети – это математические модели и их программное воплощение. Нейронная сеть способна обучаться решению задач, для которых у человека не существует формализованных, быстрых или работающих с приемлемой точностью теоретических или эмпирических алгоритмов.

Продвинутый уровень работы с нейросетями позволит дата саентисту решать более сложные, глубокие задачи, освоить проблему переобучения созданной модели, работу с чат-ботами, распознаванием объектов и другие.

На четвертом уровне подготовки дата сайентистов в Образовательном центре МГТУ им. Н.Э. Баумана Вы научитесь:

  • Работать с рекуррентными слоями
  • Обрабатывать тексты, аудио, изображения и прогнозировать временные ряды
  • Работать с автокодировщиками
  • Работать с продвинутыми библиотеками
  • Внедрять нейронные сети в продакшн

Для успешного усвоения курса требуется знания по курсу “Data Science. Уровень 3: Нейронные сети” или аналогичная подготовка.

Во время обучения Вы узнаете:

RNN, LSTM слои (рекуррентные)

  • Рекуррентные нейронные сети с память.
  • LSTM слои.
  • Особенности строения.
  • Разбор кода.
  • Решение задачи с использованием LSTM слоёв.

3 ак.ч.

Метрики и функции потерь. Проблема переобучения

  • Метрики, используемые в нейронных сетях и функции потерь.
  • Оптимизаторы.
  • Понятие переобучения и способы решения проблем с переобучением.
  • Разбор кода

3 ак.ч.

Обработка текстов с помощью нейронных сетей (Классификация)

  • Задача NLP.
  • История развития и проблематика.
  • Пропроцессинг текста.
  • Токенизация.
  • Лемматизация.
  • Создание словаря.
  • Создание обучающей и тестовой выборки.
  • Классификация текстов с использованием нейронных сетей.

5 ак.ч.

Прогнозирование временных рядов с помощью рекуррентных сетей

  • Прогнозирование временных рядов.
  • Проблемы временных рядов, трудности и пути решения.
  • Особенности разделения обучающей и тестовой выборки.
  • Разбор кода решение задачи прогнозирования временных рядов с помощью нейронных сетей

5 ак.ч.

Обработка аудио при помощи нейронных сетей

  • Особенности работы с аудио.
  • Параметризация аудио.
  • Архитектуры нейронных сетей.
  • Разбор кода решение задачи классификации аудиофайлов.

5 ак.ч.

Автокодировщики

  • Принцип работы автокодировщиков.

3 ак.ч.

Генеративные состязательные сети

  • Принцип работы генеративных состязательных сетей.
  • Разбор кода – перенос стиля изображений.

3 ак.ч.

Генетические алгоритмы

  • Принцип генетических алгоритм (эволюционная модель).
  • Основные функции.
  • Решаемые задачи.
  • Разбор кода решение задачи коммивояжера.
  • Решение задачи подбор параметров нейронной сети.

3 ак.ч.

Сегментация изображений

  • Задача сегментации изображений.
  • Сложности, области применения.
  • Метрики качества.
  • Разбор кода – сегментация изображений для автопилота.

5 ак.ч.

Object detection (обнаружение объектов на фото\видео)

  • Задача object detection.
  • Bounding box.
  • Архитектуры нейронных сетей для задач object detection.
  • Разбор кода решение задачи object detection.

5 ак.ч.

Генерация текста (чат-бот)

  • Задача чат бота.
  • Принцип разработки.
  • Основные этапы.
  • Сложности.
  • Разбор кода – создание чат бота.

5 ак.ч.

Сегментация текста

  • Задача сегментация текста.
  • Трудности задачи.
  • Проблема разбалансировки.
  • Метрики качества.
  • Разбор кода – решение задачи сегментации текста.

5 ак.ч.

Обучение с подкреплением

  • Задача обучения с подкреплением.
  • Метод обратного распространения ошибки.
  • Разбор когда – решение задачи с подкреплением.

5 ак.ч.

Работа с предобученными сетями

  • Понятие предобученная сеть.
  • Решаемые задачи.
  • Трудности.
  • Разбор кода – использование предобученной нейронной сети от Google – VGG16 и VGG19, для решения задач классификации изображений.

3 ак.ч.

Библиотека Tensorflow

  • Введение в tensorflow.
  • Основные элементы.
  • Особенности написания кода.
  • Особенности создания нейронных сетей.
  • Инструмент tensorboard.

3 ак.ч.

Библиотека Pytorch. (3 часа)

  • Введение в Pytorch.
  • Отличия от Keras и Tensorflow.
  • Особенности написания кода.
  • Написание нейронной сети с помощью Pytorch

5 ак.ч.

Внедрение в Production

  • Особенности внедрения нейронных сетей в продакшн.
  • Инструменты docker, tensorflow-serving, pyspark.
  • Разбор кода.

3 ак.ч.

Алгоритм Mapreduce

  • Парадигма mapreduce.
  • Области применения, преимущества.

2 ак.ч.

Парсинг данных из открытых источников. ETL парадигма

  • Способы сбора информации из открытых источников.
  • Библотека beautifulsoup.
  • ETL алгоритмы.

2 ак.ч.

Настройка GPU

  • Настройка GPU на компьютера в среде IDE PyCharm и Anaconda.

2 ак.ч.

Обзор облачных суперкомпьютеров

  • Обзор современных облачных компьютеров и сервисов.
  • Методика расчета вычислительных мощностей и их стоимости.

2 ак.ч.

76 ак.ч.

Стоимость обучения: 46 250 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:

RNN, LSTM слои (рекуррентные)

  • Рекуррентные нейронные сети с память.
  • LSTM слои.
  • Особенности строения.
  • Разбор кода.
  • Решение задачи с использованием LSTM слоёв.

3 ак.ч.

Метрики и функции потерь. Проблема переобучения

  • Метрики, используемые в нейронных сетях и функции потерь.
  • Оптимизаторы.
  • Понятие переобучения и способы решения проблем с переобучением.
  • Разбор кода

3 ак.ч.

Обработка текстов с помощью нейронных сетей (Классификация)

  • Задача NLP.
  • История развития и проблематика.
  • Пропроцессинг текста.
  • Токенизация.
  • Лемматизация.
  • Создание словаря.
  • Создание обучающей и тестовой выборки.
  • Классификация текстов с использованием нейронных сетей.

5 ак.ч.

Прогнозирование временных рядов с помощью рекуррентных сетей

  • Прогнозирование временных рядов.
  • Проблемы временных рядов, трудности и пути решения.
  • Особенности разделения обучающей и тестовой выборки.
  • Разбор кода решение задачи прогнозирования временных рядов с помощью нейронных сетей

5 ак.ч.

Обработка аудио при помощи нейронных сетей

  • Особенности работы с аудио.
  • Параметризация аудио.
  • Архитектуры нейронных сетей.
  • Разбор кода решение задачи классификации аудиофайлов.

5 ак.ч.

Автокодировщики

  • Принцип работы автокодировщиков.

3 ак.ч.

Генеративные состязательные сети

  • Принцип работы генеративных состязательных сетей.
  • Разбор кода – перенос стиля изображений.

3 ак.ч.

Генетические алгоритмы

  • Принцип генетических алгоритм (эволюционная модель).
  • Основные функции.
  • Решаемые задачи.
  • Разбор кода решение задачи коммивояжера.
  • Решение задачи подбор параметров нейронной сети.

3 ак.ч.

Сегментация изображений

  • Задача сегментации изображений.
  • Сложности, области применения.
  • Метрики качества.
  • Разбор кода – сегментация изображений для автопилота.

5 ак.ч.

Object detection (обнаружение объектов на фото\видео)

  • Задача object detection.
  • Bounding box.
  • Архитектуры нейронных сетей для задач object detection.
  • Разбор кода решение задачи object detection.

5 ак.ч.

Генерация текста (чат-бот)

  • Задача чат бота.
  • Принцип разработки.
  • Основные этапы.
  • Сложности.
  • Разбор кода – создание чат бота.

5 ак.ч.

Сегментация текста

  • Задача сегментация текста.
  • Трудности задачи.
  • Проблема разбалансировки.
  • Метрики качества.
  • Разбор кода – решение задачи сегментации текста.

5 ак.ч.

Обучение с подкреплением

  • Задача обучения с подкреплением.
  • Метод обратного распространения ошибки.
  • Разбор когда – решение задачи с подкреплением.

5 ак.ч.

Работа с предобученными сетями

  • Понятие предобученная сеть.
  • Решаемые задачи.
  • Трудности.
  • Разбор кода – использование предобученной нейронной сети от Google – VGG16 и VGG19, для решения задач классификации изображений.

3 ак.ч.

Библиотека Tensorflow

  • Введение в tensorflow.
  • Основные элементы.
  • Особенности написания кода.
  • Особенности создания нейронных сетей.
  • Инструмент tensorboard.

3 ак.ч.

Библиотека Pytorch. (3 часа)

  • Введение в Pytorch.
  • Отличия от Keras и Tensorflow.
  • Особенности написания кода.
  • Написание нейронной сети с помощью Pytorch

5 ак.ч.

Внедрение в Production

  • Особенности внедрения нейронных сетей в продакшн.
  • Инструменты docker, tensorflow-serving, pyspark.
  • Разбор кода.

3 ак.ч.

Алгоритм Mapreduce

  • Парадигма mapreduce.
  • Области применения, преимущества.

2 ак.ч.

Парсинг данных из открытых источников. ETL парадигма

  • Способы сбора информации из открытых источников.
  • Библотека beautifulsoup.
  • ETL алгоритмы.

2 ак.ч.

Настройка GPU

  • Настройка GPU на компьютера в среде IDE PyCharm и Anaconda.

2 ак.ч.

Обзор облачных суперкомпьютеров

  • Обзор современных облачных компьютеров и сервисов.
  • Методика расчета вычислительных мощностей и их стоимости.

2 ак.ч.

76 ак.ч.

Стоимость обучения: 46 250 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