Data Science. Уровень 3: Нейронные сети

Аналитика и Data Science

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.

Программа курса

В этом курсе вас ожидает

11 тематических
модулей

44 академических
часа

Аналитика и Data Science

Data Science. Уровень 3: Нейронные сети

PDF

Программа курса в PDF

В этом курсе вас ожидает

11 тематических
модулей

44 академических
часа

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.

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.

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.

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.

Решение задач с помощью нейронных сетей: классификация

- Классификация.
- Решение задач классификации с использованием нейронных сетей.

Решение задач с помощью нейронных сетей: регрессия

- Решение задач регрессии с использованием нейронных сетей.

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.

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.

Решение задач с помощью нейронных сетей: классификация изображений

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

Решение задач с помощью нейронных сетей: внедрение в Production

- Особенности внедрения нейронных сетей в продакшн.

Построение модели нейронной сети и внедрение в Production

- Обучение нейронной сети – классификация изображений.
- Создание веб – приложения.
- Загрузка на heroku.com.

Связанные курсы

В качестве подготовки к данному курсу Вы можете пройти обучение по программам:

Основы программирования и баз данных

Data Science. Уровень 1: Основные технологии. Python для анализа данных

Data Science. Уровень 2: Машинное обучение

После прохождения данного обучения Вы можете продолжить своё развитие в данной сфере на курсах:

Data Science. Уровень 4: Нейронные сети. Продвинутый уровень