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
13-27
апр
2021
18:30 – 21:40
вечерняя
вт
чт
25 490 руб.
м. Бауманская
МГТУ им. Баумана
Соколов Григорий Владимирович
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:
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
13-27
апр
2021
18:30 – 21:40
вечерняя
вт
чт
25 490 руб.
м. Бауманская
МГТУ им. БауманаСоколов Григорий Владимирович
- + 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
-