Курс Deep Learning
Описание курса
Основная идея этого курса состоит в том, чтобы овладеть глубоким обучением с помощью современных технологий для решения задач обработки естественного языка и компьютерного зрения.
—
Поэтому данный курс состоит из следующих тематических частей:
- Обработка естественного языка (NLP) (2-7 модуля)
- Компьютерное зрение (8-14 модулей)
- Оптимизация нейронных сетей и использование на производстве (15-16 модулей).
Основным рабочим инструментом является PyTorch.
—
Курс может быть полезным ML-специалистам, только начинающим и интересующимся компьютерным зрением и обработкой естественного языка. Рекомендуется (но не обязательно) проходить курсы с Data Science/Machine Learning Fundamentals и Python for Data Science или их аналоги.
После курса вы сможете:
- Использовать нейронные сети для решения реальных задач обработки природного языка и компьютерного зрения.
- Пользоваться фреймворком PyTorch, библиотеками Hugging Face и OpenCV.
Программа курса:
1. Введение в глубокое обучение (Deep Learning)
- DL для задач обработки природного языка (NLP) и компьютерного зрения (CV). Другие прикладные отрасли.
- Что такое нейронная сеть (NN)?
- Компоненты NN. Перцептрон
- Как учится NN? Градиентный спуск. Функция утрат. Прямое и обратное распространение
2. Основы PyTorch
- Простая NN в PyTorch
- Функции активации. Скрытые слои VS выходные слои
- Методы регуляризации. Ранняя остановка. Dropout
- Остаточные соединения
3. Эмбединги
- Представление текста в виде векторов
- Классические алгоритмы эмбедингов для задач NLP
- Word2vec, GloVe, fastText
4. Текст как последовательность
- RNN, LSTM, GRU
5. Модели последовательности к последовательности (seq-to-seq)
- Bi-directional LSTM
- Модели encoder-decoder
6. Transformers
- Attention. Encoder, decoder. Self-attention
- BERT vs GPT-2
7. Распространенные задачи NLP с использованием Transformers
- Классификация текстов
- Ответ на вопрос
- Семантический поиск
8. Генеративные модели
- Перефразирование, суммаризация текста
- Большие языковые модели (LLMs)
9. Сверточные нейронные сети
- Классификация изображений
- Предварительная обработка изображений. Аугментация
10. Трансфер обучения
- LeNet, AlexNet, VGGNet, Inception, ResNet, EfficientNet
11. Детекция объектов
- R-CNN, YOLO, SSD
12. Семантическая сегментация, объектная сегментация
- UNet, Mask R-CNN, YOLACT
13. Генерация изображений
- Автокодеры. GAN
- Передача нейронного стиля
14. Diffusers
- Текстовое суммирование изображения
- Text-to-Image
- Production
15. Оптимизация NN
- Настройка гиперпараметров
- Ускорение тренировки. Накопление градиента
- Контрольные точки градиента. Смешанная средняя точность
16. Развёртывание
- FastAPI
- Мониторинг моделей в производстве
Минимальные требования:
- Наличие собственного ноутбука для занятий в аудиториях
- Пройденный курс «Python для Data Science»
* Указанные скидки не суммируются с другими действующими акциями и специальными предложениями. Если у Вас возникли вопросы, обращайтесь за консультацией к нашим менеджерам!
Длительность курса: 21 ч.