«Искусственные нейронные сети»
Описание Курса
Курс обучения 103,5 часа.
Курс «Искусственные нейронные сети» актуален, данный курс был выбран потому, что интерес к искусственным нейронным сетям быстро возрос за последние несколько лет. Искусственные нейронные сети демонстрируют большое число свойств, присущих мозгу -они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.
Документы об образовании, выдаваемые выпускникам института, заносятся в "Государственный Федеральный реестр сведений документов об образовании и (или) о квалификации, документах об обучении», оформлены в соответствии с законодательством и требованиями новых профстандартов РФ.
Информация о курсе
- Начало курса: Идет набор
- Уроки: 82
- Связанные курсы: Нет
- Уровень программы: Средний
-
Выпускные документы:
Удостоверение Института установленного образца о повышении квалификации
Учебные программы
Введение в искусственные нейронные сети
-
Современное применение нейронных сетей. Основные задачи.
-
Виды нейронных сетей: прямого распространения, сверточные, рекуррентные, генеративные и другие архитектуры
-
Обучение нейронных сетей
Фреймворки для глубокого обучения (Keras.TensorFLOW)
-
Введение в фреймворк TensorFlow
-
Графы вычислений
-
Операции с тензорами
-
Цепное правило
-
Оптимизация в TensorFlow
-
Логирование для TensorBoard
-
Работа TensorFlow в Google. Colab
-
Практика
Сверточные нейронные сети
-
Введение в сверточные нейронные сети
-
Операция свертки
-
Простой сверточный слой
-
Усложнение сверточного слоя
-
Пулинг слой
-
Архитектура первой сверточной сети
-
Современные архитектуры
-
Inception V3
-
Практика
Оптимизация нейронной сети
-
Пути оптимизации нейронной сети
-
Функции активации
-
Инициализация весов
-
Влияние learning rate на сходимость
-
Batch нормализация
-
Dropout регуляризация
-
Стохастический градиентный спуск
-
Adam: Adaptive Moment Estimation
-
Матричные операции
-
Практика
Transfer learning & Fine-tuning
-
Transfer learning
-
Архитектура сети ImageNET
-
Оптимизация сети при помощи back propagation
-
Автокодировщики:понятия encoder и decoder
-
Архитектура автокодировщика
-
Практика
Обработка естественного языка (NLP)
-
Задачи Natural Language Processing (NLP)
-
Векторизация текстовых данных
-
Сравнение сетей прямого распространения и рекуррентных нейросетей
-
Архитектура рекуррентной нейросети. LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit)
-
Обработки последовательностей: Many-to-One, One-to-Many, Many-to-Many
-
Many-to-One в классификации текстов, анализе временных рядов и отображении текста в картинку
-
One-to-Many в генерации текстов. Языковая модель
-
SEQ 2 SEQ: Encoder-Decoder
-
Механизм внимания ( Attention). Вычисление весов. Отказ от рекуррентов
-
Архитектура TRANSFORMER
-
Практика
Сегментация и детектирование объектов
-
Практическое применение сегментации
-
Классическая сегментация и сегментация на базе нейросетей
-
Методы улучшения производительности модели
-
Дилатационная свертка
-
Введение в детектирование объектов
-
Задача локализации
-
Регрессия, классификация и локализация в детектировании объектов
-
Region R-CNN и FAST R-CNN
-
Методы SSD/YOLO
-
Сравнение методов детекции
-
Практика
Reinforcement learning (обучение с подкреплением)
-
Классы задач: обучение с учителем, без учителя,обучение с подкреплением
-
Применение: игровые агенты, self-driving агенты, робототехника
-
Состояния, действия, награды
-
Понятие оптимальной политики
-
Оценка состояния и действий. Оптимальная Q-функция
-
Q-Learning. Уравнение Беллмана
-
Exploration vs.Exploitation: исследование и эксплуатация оптимальной стратегии
-
Deep Q-Learning (DQN)
-
Другие методы RL: Policy Gradients, Actor-Critic
-
Практика
What`s next?
-
Другие области применения нейронных сетей
-
Self-driving и AI
-
GAN: Generative Adversarial Networks
-
Перспективы развития области
-
Советы по профессиональному развитию
-
Практика