Deep Learning и нейронные сети - Практический курс по глубоким нейронным сетям на Python
Преподаватель: Александр Сизов
Продолжение курса Практический Machine Learning
Для обучения вам понадобится знание Python и базовое понимание машинного обучения. Курс предназначен для людей, которые решили углубить свои знания в области Data Science.
Курс основан на практике. Фокус и упор мы делаем не на математическом фундаменте, а именно на понимании задач и практическом применении решений.
Обучение на курсе — отработка практических навыков программирования нейронных сетей. Используйте силу machine learning для задач бизнеса!
Курс даст полное понимание алгоритмов и знание необходимых библиотек при использовании Deep Learning.
Модуль 1 Введение в искусственные нейронные сети
Создаем нейронную сеть для распознавания рукописных цифр на Python
Модуль 2 Фреймворки для глубокого обучения (PyTorch, TensorFlow)
Создаем модель распознавание лиц с помощью сетей прямого распространения ошибки в PyTorch
Модуль 3 Задача оптимизации
Улучшаем скорость и производительность сетей для кейса предыдущего модуля
Модуль 4 Сверточные нейронные сети. Современные архитектуры
Поиск и распознавания объектов на изображениях – работа с моделями из Tensorflow zoo для датасета COCO
Модуль 5 Применение сверточных сетей в задачах компьютерного зрения. Transfer learning
Решение задачи классификации фото различных мест из библиотеки Places и фото объектов датасета CIFAR10 с Transfer learning
Модуль 6 Рекуррентные нейронные сети. LSTM, GRU
Реализация и обучение рекуррентной сети для задач прогнозирования временных рядов на примере данных о погоде
Модуль 7 Применение нейронных сетей в задачах обработки естественного языка (NLP)
Разработка диалоговой модели (нейросетевого чат-бота)
Модуль 8 Генеративные конкурирующие сети (GAN)
Создаем модель для генерации лиц на основе архитектуры GAN
Модуль 9 Вариационные автокодировщики (VAE)
Учимся генерировать цифры с помощью вариационных автокодировщиков
Модуль 10 Обучение с подкреплением
Создаем агента для игры на основе DQN алгоритма
Создаем нейронную сеть для распознавания рукописных цифр на Python
Модуль 2 Фреймворки для глубокого обучения (PyTorch, TensorFlow)
Создаем модель распознавание лиц с помощью сетей прямого распространения ошибки в PyTorch
Модуль 3 Задача оптимизации
Улучшаем скорость и производительность сетей для кейса предыдущего модуля
Модуль 4 Сверточные нейронные сети. Современные архитектуры
Поиск и распознавания объектов на изображениях – работа с моделями из Tensorflow zoo для датасета COCO
Модуль 5 Применение сверточных сетей в задачах компьютерного зрения. Transfer learning
Решение задачи классификации фото различных мест из библиотеки Places и фото объектов датасета CIFAR10 с Transfer learning
Модуль 6 Рекуррентные нейронные сети. LSTM, GRU
Реализация и обучение рекуррентной сети для задач прогнозирования временных рядов на примере данных о погоде
Модуль 7 Применение нейронных сетей в задачах обработки естественного языка (NLP)
Разработка диалоговой модели (нейросетевого чат-бота)
Модуль 8 Генеративные конкурирующие сети (GAN)
Создаем модель для генерации лиц на основе архитектуры GAN
Модуль 9 Вариационные автокодировщики (VAE)
Учимся генерировать цифры с помощью вариационных автокодировщиков
Модуль 10 Обучение с подкреплением
Создаем агента для игры на основе DQN алгоритма
Начало курса: 15 февраля 2019 - 15 мая 2019 (12 недель)
Есть скидка до 1 февраля 30%
Продажникgoto/post?id=7085684#post-7085684