«Искусственные нейронные сети»

Преподаватель
Morovikov
Категория
Цена:

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.

Учебные программы

Введение в искусственные нейронные сети

  • Современное применение нейронных сетей. Основные задачи.
    Урок
  • Виды нейронных сетей: прямого распространения, сверточные, рекуррентные, генеративные и другие архитектуры
    Урок
  • Обучение нейронных сетей
    Урок

Фреймворки для глубокого обучения (Keras.TensorFLOW)

  • Введение в фреймворк TensorFlow
    Урок
  • Графы вычислений
    Урок
  • Операции с тензорами
    Урок
  • Цепное правило
    Урок
  • Оптимизация в TensorFlow
    Урок
  • Логирование для TensorBoard
    Урок
  • Работа TensorFlow в Google. Colab
    Урок
  • Практика
    Урок

Сверточные нейронные сети

  • Введение в сверточные нейронные сети
    Урок
  • Операция свертки
    Урок
  • Простой сверточный слой
    Урок
  • Усложнение сверточного слоя
    Урок
  • Пулинг слой
    Урок
  • Архитектура первой сверточной сети
    Урок
  • Современные архитектуры
    Урок
  • Inception V3
    Урок
  • Практика
    Урок

Оптимизация нейронной сети

  • Пути оптимизации нейронной сети
    Урок
  • Функции активации
    Урок
  • Инициализация весов
    Урок
  • Влияние learning rate на сходимость
    Урок
  • Batch нормализация
    Урок
  • Dropout регуляризация
    Урок
  • Стохастический градиентный спуск
    Урок
  • Adam: Adaptive Moment Estimation
    Урок
  • Матричные операции
    Урок
  • Практика
    Урок

Transfer learning & Fine-tuning

  • Transfer learning
    Урок
  • Архитектура сети ImageNET
    Урок
  • Оптимизация сети при помощи back propagation
    Урок
  • Автокодировщики:понятия encoder и decoder
    Урок
  • Архитектура автокодировщика
    Урок
  • Практика
    Урок

Обработка естественного языка (NLP)

  • Задачи Natural Language Processing (NLP)
    Урок
  • Векторизация текстовых данных
    Урок
  • Сравнение сетей прямого распространения и рекуррентных нейросетей
    Урок
  • Архитектура рекуррентной нейросети. LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit)
    Урок
  • Обработки последовательностей: Many-to-One, One-to-Many, Many-to-Many
    Урок
  • Many-to-One в классификации текстов, анализе временных рядов и отображении текста в картинку
    Урок
  • One-to-Many в генерации текстов. Языковая модель
    Урок
  • SEQ 2 SEQ: Encoder-Decoder
    Урок
  • Механизм внимания ( Attention). Вычисление весов. Отказ от рекуррентов
    Урок
  • Архитектура TRANSFORMER
    Урок
  • Практика
    Урок

Сегментация и детектирование объектов

  • Практическое применение сегментации
    Урок
  • Классическая сегментация и сегментация на базе нейросетей
    Урок
  • Методы улучшения производительности модели
    Урок
  • Дилатационная свертка
    Урок
  • Введение в детектирование объектов
    Урок
  • Задача локализации
    Урок
  • Регрессия, классификация и локализация в детектировании объектов
    Урок
  • Region R-CNN и FAST R-CNN
    Урок
  • Методы SSD/YOLO
    Урок
  • Сравнение методов детекции
    Урок
  • Практика
    Урок

Reinforcement learning (обучение с подкреплением)

  • Классы задач: обучение с учителем, без учителя,обучение с подкреплением
    Урок
  • Применение: игровые агенты, self-driving агенты, робототехника
    Урок
  • Состояния, действия, награды
    Урок
  • Понятие оптимальной политики
    Урок
  • Оценка состояния и действий. Оптимальная Q-функция
    Урок
  • Q-Learning. Уравнение Беллмана
    Урок
  • Exploration vs.Exploitation: исследование и эксплуатация оптимальной стратегии
    Урок
  • Deep Q-Learning (DQN)
    Урок
  • Другие методы RL: Policy Gradients, Actor-Critic
    Урок
  • Практика
    Урок

What`s next?

  • Другие области применения нейронных сетей
    Урок
  • Self-driving и AI
    Урок
  • GAN: Generative Adversarial Networks
    Урок
  • Перспективы развития области
    Урок
  • Советы по профессиональному развитию
    Урок
  • Практика
    Урок

    Запись на курс

    * Я согласен с тем, что мои представленные данные собираются и хранятся. Для получения более подробной информации об обработке пользовательских данных см. нашу политику конфиденциальности.

    Яндекс.Метрика