Data Science. Уровень 4: Нейронные сети. Продвинутый уровень
Аналитика и Data Science

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.

Записаться на курс

Ближайший старт групп

29 декабря

Длительность курса

56 ак.часов

Стоимость курса

46 250 руб.
Для кого
подойдет этот курс
дата сайентистам

для получения углублённых знаний в области созданий и обучения нейронных сетей

инженерам нейросетей

проектировать нейронные сети, оценивать риски её применения, проводить проверку её работы и исправление ошибок

Чему вы научитесь

работать с автокодировщиками

работать с продвинутыми библиотеками

внедрять нейронные сети в production

работать с рекуррентными слоями

обрабатывать тексты, аудио, изображения и прогнозировать временные ряды

Программа курса
В этом курсе вас ожидает
21 тематический
модуль
56 академических
часов
В этом курсе вас ожидает
21 тематический
модуль
56 академических
часов
RNN, LSTM слои (рекуррентные)
    • Рекуррентные нейронные сети с память.
    • LSTM слои.
    • Особенности строения.
    • Разбор кода.
    • Решение задачи с использованием LSTM слоёв.
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
Метрики, используемые в нейронных сетях и функции потерь. Оптимизаторы. Понятие переобучения и способы решения проблем с переобучением. Разбор кода
    • Задача NLP.
    • История развития и проблематика.
    • Пропроцессинг текста.
    • Токенизация.
    • Лемматизация.
    • Создание словаря.
    • Создание обучающей и тестовой выборки.
    • Классификация текстов с использованием нейронных сетей.
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
Обработка аудио при помощи нейронных сетей
    • Особенности работы с аудио.
    • Параметризация аудио.
    • Архитектуры нейронных сетей.
    • Разбор кода решение задачи классификации аудиофайлов.
Автокодировщики
    • Принцип работы автокодировщиков.
Генеративные состязательные сети
    • Принцип работы генеративных состязательных сетей.
    • Разбор кода – перенос стиля изображений.
Генетические алгоритмы
    • Принцип генетических алгоритм (эволюционная модель).
    • Основные функции.
    • Решаемые задачи.
    • Разбор кода решение задачи коммивояжера.
    • Решение задачи подбор параметров нейронной сети.
Сегментация изображений
    • Задача сегментации изображений.
    • Сложности, области применения.
    • Метрики качества.
    • Разбор кода – сегментация изображений для автопилота.
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.
Генерация текста (чат-бот)
    • Задача чат бота.
    • Принцип разработки.
    • Основные этапы.
    • Сложности.
    • Разбор кода – создание чат бота.
Сегментация текста
    • Задача сегментация текста.
    • Трудности задачи.
    • Проблема разбалансировки.
    • Метрики качества.
    • Разбор кода – решение задачи сегментации текста.
Обучение с подкреплением
    • Задача обучения с подкреплением.
    • Метод обратного распространения ошибки.
    • Разбор когда – решение задачи с подкреплением.
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.
Библиотека Tensorflow
    • Введение в tensorflow.
    • Основные элементы.
    • Особенности написания кода.
    • Особенности создания нейронных сетей.
    • Инструмент tensorboard.
Библиотека Pytorch. (3 часа)
    • Введение в Pytorch.
    • Отличия от Keras и Tensorflow.
    • Особенности написания кода.
    • Написание нейронной сети с помощью Pytorch
Внедрение в Production
    • Особенности внедрения нейронных сетей в продакшн.
    • Инструменты docker, tensorflow-serving, pyspark.
    • Разбор кода.
Алгоритм Mapreduce
    • Парадигма mapreduce.
    • Области применения, преимущества.
Парсинг данных из открытых источников. ETL парадигма
    • Способы сбора информации из открытых источников.
    • Библотека beautifulsoup.
    • ETL алгоритмы.
Настройка GPU
    • Настройка GPU на компьютера в среде IDE PyCharm и Anaconda.
Обзор облачных суперкомпьютеров
    • Обзор современных облачных компьютеров и сервисов.
    • Методика расчета вычислительных мощностей и их стоимости.
Требования к подготовке

Среднее профессиональное или высшее образование, знания в области Data Science и Machine Learning и базовые знания в области разработки нейросетей.

Связанные курсы
Расписание
Даты проведения
Время проведения курса
Дни недели
Формат обучения
29 дек
21 фев
18:30 - 21:40
вт чт
Задать свой вопрос
+7 495 182-83-85
edu@bmstu.ru Мы работаем ежедневно с 9:00 до 21:00
+7 495 182-83-85
edu@bmstu.ru Мы работаем ежедневно с 9:00 до 21:00