Що нового?

Придбаний [Університет штучного інтелекту] Data Science і нейронні мережі. Основний (Дмитро Романов)

Інформація про покупку
Тип покупки: Складчина
Ціна: 33052 ГРН
Учасників: 1 з 150
Організатор: Квітка Квітка
Статус: Збір коштів
Внесок: 229.2 ГРН
1%
Основний список
Резервний список

Gadzhi

Модератор
в курс входить тільки те, що зазначено в описі. Ніякі 10 годин зверху, про які говорять в коментарях, сюди не входять!

Які нейронні мережі ви напишете:


  1. Розпізнавання рукописних цифр
  2. Розпізнавання марок машин
  3. Класифікація письменників
  4. Класифікація звернень до органів держ. влади по Москві
  5. Передбачення, чи вийде розповідь у фінал літературного конкурсу
  6. Визначення вартості машини по оголошенню на Юлі
  7. Визначення зарплати людини по резюме на hh.ru
  8. Визначення вартості квартири
  9. Визначення рейтингу статті на habr.ru за текстом
  10. Передбачення акцій лукойл
  11. Розпізнавання стилів музики
  12. Розпізнавання диктора по голосу
  13. Визначення шахрайських операцій за картками
  14. Генерація рукописних цифр
  15. Генерація зображень неба і літаків
  16. Сегментація зображень з реєстратора для автопілотів автомобілів
  17. Сегментація літаків
  18. Інтелектуальний чат-бот
  19. Сегментація договорів
  20. Розподіл вантажів по фурам
  21. Бот для проходження лабіринту
  22. Автоматичний підбір архітектури нейронної мережі
  23. Кластеризація резюме на hh.ru
  24. Кластеризація продажів інтернет-магазину косметики і розумний upsale
  25. Навчання нейронної мережі грі в пінг-понг за допомогою навчання з підкріпленням
  26. Перенесення стилю зображення
  27. Розпізнавання мови
  28. Розпізнавання голосових команд для розумного будинку
1. Базові теми
1.1 введення в нейронні мережі

Опис заняття: введення в програму курсу. Знайомство з нейронними мережами і методикою їх написання на прикладі бази рукописних цифр. Робота з математичною моделлю. Прописання архітектури, шарів. Пояснювальні коментарі: що з себе представляють різні параметри і характеристики шарів. Розгляд елементів, що входять в нейронну мережу, навчання мережі, Перевірка на працездатність. Мета заняття-показати, що написання нейронних мереж крім розробки математичної моделі включає в себе обробку бази даних, за допомогою яких і буде відбуватися навчання.

1.2 повнозв'язні мережі, навчальна та тестова вибірки
Опис заняття: знайомство з ключовими поняттями теорії навчання нейронних мереж. Приклади активаційних функцій, їх призначення та особливості. Побудова нейронних мереж з простими архітектурами. Розгляд поняття нейрон зміщення( bias), його призначення. Розгляд різних способів формування навчальної та перевірочної вибірок з використанням набору рукописних цифр MNIST. Створення та навчання нейронної мережі для розпізнавання рукописних цифр, перевірка та візуалізація якості навчання мережі. Розгляд питання перенавчання нейронної мережі і способів боротьби з перенавчанням. Розгляд додаткових можливостей щодо збільшення якості розпізнавання. Створення нейронної мережі для вирішення реального завдання: передбачення цін машин з сайту YOULA.RU.

1.3 згорткові нейронні мережі
Опис заняття: переваги згорткових нейронних мереж на тлі інших архітектур по відношенню до розпізнавання об'єктів. Мета заняття-показати, що може включати попередня обробка вибірки, як привести її до потрібної форми для того, щоб на ній перевірити згорткову нейронну мережу. Вивчення архітектури згорткових нейронних мереж: які елементи беруть участь, що використовується, навіщо використовується, як перевіряються дані на цих архітектурах і порівняння результатів. Робота зі стандартними наборами-базою рукописних цифр і базою Cifar10.

1.4 Обробка текстів за допомогою нейромереж
Опис заняття: розгляд основних завдань, пов'язаних з обробкою текстів, які здатні вирішувати нейронні мережі. Знайомство з основними архітектурами нейронних мереж, що застосовуються для обробки текстових даних. Розгляд способів векторизації тексту для перетворення текстових даних в Числові (розряджені і щільні вектора, векторні уявлення слів). Демонстрація попередньо навчених векторних уявлень слів: CloVe (Global Vectors), Word2Vec, FastText. Рішення практичного завдання з класифікації текстів на базі звернень громадян: парсинг вихідної бази для створення навчальної та перевірочної вибірок, створення повнозв'язної мережі та мережі з Embedding-шаром для вирішення поставленого завдання, порівняння результатів роботи мереж. Рішення практичного завдання з класифікації письменників: парсинг бази письменників, створення навчальної та перевірочної вибірок, демонстрація перетворення даних за принципом BagOfWords, створення повнозв'язної мережі та мережі з Embedding-шаром для класифікації письменників, розпізнавання перевірочної вибірки.

1.5 рекурентні нейронні мережі та одновимірні згорткові мережі для обробки текстів
Опис заняття: переваги рекурентних нейронних мереж для вирішення завдань на знаходження послідовностей. Розгляд пристрою рекурентної нейронної мережі: що собою являє елемент запам'ятовування в цій мережі, яким чином вибудовується Архітектура рекурентних мереж, що необхідно знати про роботу з кожним з типів і як їх можна комбінувати з іншими архітектурами. Робота на базі письменників. Завдання заняття-Класифікація письменників за допомогою рекурентної мережі, яка за рахунок запам'ятовування послідовності між словами, визначить стиль кожного з письменників, також рішення задачі класифікації письменників за допомогою одновимірної згорткової мережі.

1.6 нейронні мережі для вирішення задачі регресії
Опис заняття: розгляд терміна регресія в області нейронних мереж. Виділення відмінностей при вирішенні задач регресії і розглянутих раніше завдань класифікації. Рішення практичного завдання з визначення вартості квартир з використання набору даних Boston Housing. Рішення аналогічної задачі з визначення вартості квартир на власній інформаційній базі: парсинг бази, перетворення наявних даних (як числових, так і текстових) до необхідного числовому поданню, формування навчальної вибірки, нормування даних. Побудова нейронної мережі для вирішення поставленого завдання і оцінка отриманих результатів. Рішення практичного завдання з оцінки зарплати по базі з HeadHunter: парсинг бази, створення навчальної вибірки, створення різних архітектур нейронних мереж для вирішення завдання і порівняння результатів їх роботи.

1.7 Повнозв'язні та рекурентні нейронні мережі для прогнозування часових рядів
Опис заняття: тимчасові ряди - це окрема глава у вивченні нейронної мережі. З одного боку, завдання нагадує регресію, так як необхідно передбачити число. Наприклад, необхідно передбачити ціну на бензин, трафік на сайті, якусь змінну в часі. З іншого боку, необхідно враховувати, що відбувалося до цього. Розгляд які з раніше вивчених архітектур оптимальніше підходять для баз з тимчасовими рядами. Передбачення значень часових рядів. Робота з базами прогнозування акцій "Лукойлу" і цін на бензин.

1.8 прямі та згорткові нейронні мережі для обробки аудіо сигналів
Опис заняття: розгляд специфіки обробки аудіо за допомогою нейронних мереж. Знайомство з популярними бібліотеками по обробці аудіо. Демонстрація роботи з бібліотекою librosa для параметризації аудіо, Витяг ознак з аудіосигналу: перетин з нулем, спектральний Центроїд, спектральний спад частоти, крейда-частотні спектральні коефіцієнти, частота кольоровості. Рішення практичного завдання з класифікації жанрів музики.: формування навчальної вибірки, створення нейронної мережі для вирішення поставленого завдання, перевірка розпізнавання жанрів музики на основі різних ознак.

1.9 Автокодировщики
Опис заняття: після розгляду типів шарів і базових архітектур можливий перехід до більш високорівневих архітектур, які виконують конкретну функцію - до автокодувальників. Знайомство з автокодировщиками. Розгляд особливостей і функцій автокодувальників. Приклад: очищення від шуму зображень рукописних цифр. Рішення завдання на виявлення шахрайських операцій.

1.10 варіаційні автокодувальники, генеративні моделі на базі автокодувальників
Опис заняття: розгляд відмінностей варіаційного та класичного автокодувальників. Завдання, що вирішуються на варіаційному автокодувальнику. Опис застосування для вирішення завдань варіаційними автокодувальниками. Розгляд можливості задавати параметри і генерувати дані з заданими умовами.

1.11 генеративні змагальні мережі
Опис заняття: розгляд питання генерації різного контенту з використанням нейронних мереж (GAN). Виділень основних складнощів і способів їх подолання при вирішенні завдань генерації. Знайомство з принципово новим підходом в побудові архітектур нейронних мереж: створення двох" конкуруючих " між собою частин однієї мережі (генератор і Дискримінатор). Опис процесу навчання кожної з частин і формування навчальних вибірок. Розгляд генеративних змагальних мереж з умовою (с). Рішення практичного завдання з генерації рукописних цифр на основі набору MNIST. Створення різних архітектур дискримінатора і генератора і порівняння якості їх роботи. Рішення аналогічної задачі для генерації зображення на основі набору CIFAR10. Створення генератора з умовою для генерації рукописних цифр.

2. Просунуті теми
2.1 сегментація зображень


https://neural-university.ru/kurs_neural_pro
 
Останнє редагування модератором:

Belka

New member
@Квітка доброго вечора, я 4 днi тому написала, що хочу оплатити 2 курси, й нiякоï вiдповiдi. Будь ласка допоможiть.
-

дякую заздалегiдь за допомогу
 
Останнє редагування модератором:

Квітка

Модератор
Команда форуму
доброго вечора, візьму скоро
 
Останнє редагування:
Угорі