Обратно В Поле

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
Пожалуйста, зарегистрируйтесь для , чтобы просмотреть этот урок.
Яндекс.Метрика