що дасть вам цей курс
- знання архітектур нейронних мереж, їх видів і особливостей;
- освоєння методів навчання нейронних мереж;
- вміння оперувати даними, проектувати свою мережу і реалізовувати її на Python за допомогою фреймворку pyTorch;
- розуміння, як ефективно вирішувати завдання аналізу даних, використовуючи глибоке Машинне навчання.
Програма підготовлена визнаним експертом з машинного навчання
Нейронні мережі - як діти: їх можна навчити чому завгодно. Але потрібно пам'ятати і про труднощі, які супроводжують кожного з батьків: неправильні методи навчання, недолік хороших прикладів або невідповідність архітектури дитини поставленим завданням можуть привести до непередбачуваних результатів.
мінімальні знання
- знання лінійної алгебри, початку аналізу і теорії ймовірностей.
- володіння мовою програмування Python на рівні Junior (знати Програмування на Python на базовому рівні необхідно, так як моделі машини реалізуються на Python).
Освітній процес на курсі "нейронні мережі на Python" проходить у форматі вебінарів (онлайн). Слухачам пропонуються до виконання домашні завдання, які дозволять застосувати на практиці отримані під час вебінарів знання. По кожному домашньому завданню викладач дає розгорнутий фідбек. При написанні коду використовується Python.
Викладач знаходиться в єдиному комунікаційному просторі з групою, тобто слухач може задавати викладачеві уточнюючі питання за матеріалами лекцій і домашніх завдань.
викладач:
зміст складчини (файли і папки)
01. Штучний інтелект та інші завдання які можна вирішувати за допомогою нейронних мереж
1.pdf [14m 939k 279]
1.pptx [43m 232k 319]
dataset.ipynb [3k 429]
Dockerfile [1k 677]
homework.ipynb [733]
pytorch.ipynb [2k 8]
salt.py [121]
utils.py [1k 106]
video.mp4 [198m 391k 336]
дза.txt [403]
02. Теоретичні основи навчання нейронних мереж
2.pdf [2m 462k 405]
2.pptx [1m 725k 217]
Dockerfile [1k 539]
log_reg.ipynb [4k 276]
video.mp4 [142m 344k 134]
дза.txt [243]
03. Перша нейронна мережа
3.pdf [1m 221k 740]
3.pptx [1m 431k 409]
DLE-2018-11-Lesson 3.mp4 [374m 480k 281]
MNIST_MLP.ipynb [49k 96]
video.mp4 [109m 6k 203]
04. Keras
4.pdf [5m 699k 661]
4.pptx [5m 614k 971]
MNIST_MLP_KERAS.ipynb [6k 719]
video.mp4 [102m 992k 393]
дза.txt [701]
05. TensorFlow
chat.txt [9k 606]
Otus.zip [858k 590]
tensorflow.ipynb [73k 791]
video.mp4 [291m 653k 835]
06. Перенавчання і регуляризація нейронних мереж
6.pdf [4m 346k 948]
6.pptx [1m 346k 946]
Dockerfile [1k 617]
mnist_mlp.ipynb [6k 523]
utils.py [2k 454]
video.mp4 [144m 526k 188]
дза.txt [272]
Посилання.txt [32]
07. Вибух і загасання градієнтів
chat.txt [10k 722]
Dockerfile [1k 357]
gradient_decay.zip [228m 826k 774]
gradient_slides.pdf [11m 110k 838]
mnist_mlp_6.ipynb [118k 455]
mnist_mlp_keras.ipynb [32k 629]
utils.py [2k 454]
video.mp4 [243m 525k 870]
Посилання.txt [92]
08. Основні архітектури нейронних мереж Автокодувальники
8.pdf [1m 782k 558]
8.pptx [1m 454k 445]
chat.txt [14k 684]
Dockerfile [1k 357]
sparse_ae.ipynb [306k 31]
sparse_ae_relu.ipynb [261k 111]
utils.py [2k 454]
video.mp4 [147m 618k 308]
дза.txt [339]
09. Основні архітектури нейронних мереж згорткові мережі
chat.txt [9k 250]
conv_nets.pdf [1m 206k 294]
conv_nets.pptx [10m 887k 131]
conv_nets_mp4.zip [194m 562k 830]
Dockerfile [1k 358]
mnist_conv.ipynb [10k 631]
utils.py [2k 454]
video.mp4 [204m 448k 478]
дза.txt [316]
10. Основні архітектури нейронних мереж. Рекурентні мережі
10.pdf [15m 79k 128]
10.pptx [3m 599k 85]
Dockerfile [1k 644]
generated1.txt [10k 20]
rnn.ipynb [21k 931]
rnn_results.ipynb [21k 836]
wiki_utils.py [2k 522]
wikitext.zip [4m 480k 305]
zoom_1_8858_493ab2.mp4 [178m 51k 29]
дза.txt [292]
11. Адаптивні методи градієнтного спуску
11.pdf [3m 214k 474]
11.pptx [1m 407k 654]
Dockerfile [1k 454]
mnist_conv.ipynb [81k 634]
utils.py [2k 454]
zoom_0_8858_a74da0.mp4 [129m 928k 901]
12. Реалізація на TensorFlow
chat.txt [5k 133]
test.csv [19m 221k 506]
tf_lstm.zip [335k 391]
tf_lstm_implementation.mp4 [284m 808k 567]
tf_lstm_implementation_31272_9fb1af.mp4 [297m 316k 270]
train.csv [57m 47k 694]
13. Реалізація на Keras
13_40121_78f385.mp4 [90m 218k 168]
chat.txt [1k 270]
lang_data.csv [105k 350]
LSTM_Keras.ipynb [105k 776]
14. Вступ до навчання з підкріпленням
12.pdf [5m 516k 393]
12.pptx [2m 510k 262]
zoom_1_8858_e02cfc.mp4 [159m 33k 268]
дза.txt [173]
Посилання.txt [72]
15. Варіаційний автокодувальник
15.pdf [1m 237k 237]
15.pptx [26m 511k 253]
15_40121_2b2589.mp4 [88m 770k 947]
chat.txt [1k 102]
Vae_tf.ipynb [457k 644]
дза.txt [254]
16. Генеративні змагальні мережі
16.pdf [34m 688k 647]
16.pptx [29m 676k 813]
fc_gan.gif [4m 783k 577]
mnist_fc_gan.ipynb [3m 4k 756]
utils.py [2k 593]
zoom_0_8858_f03450.mp4 [156m 120k 355]
дза.txt [193]
17. Змагальний Автокодувальник і умовна генерація
aaec.gif [77m 606k 749]
acs.molpharmaceut.8b00839.pdf [2m 461k 929]
Adversarial_auto_encodrers.pdf [8m 153k 839]
caae.gif [72m 308k 699]
caae_git_version.py [7k 72]
chat.txt [5k 93]
conditional_aae_and_friends_31272_b60b3f.mp4 [239m 57k 340]
Lample_et_al.___2017___Fader_Networks_Manipulating_Images_by_Sliding_Attributes.pdf [11m 570k 151]
mnist_fc_aae_c.ipynb [10k 995]
mnist_fc_caae.ipynb [11k 36]
utils_1.py [2k 889]
Zhang__Song__Qi___2017___Age_progressionregression_by_conditional_adversarial_autoencoder.pdf [2m 735k 962]
дза.txt [402]
18. Глибоке навчання з підкріпленням
18.pdf [6m 569k 425]
18.pptx [22m 625k 256]
video.mp4 [115m 360k 468]
Домашка_по_RL.txt [390]
Посилання.txt [346]
19. Domain Adaptation
14_8858.pdf [5m 751k 933]
15_239.pdf [5m 670k 840]
1702.05464.pdf [1m 767k 31]
chat.txt [4k 770]
mnist_fc_ada.ipynb [478k 913]
utils.py [2k 889]
video.mp4 [199m 79k 806]
Wang__Deng___Unknown___Deep_Visual_Domain_Adaptation_A_Survey.pdf [2m 699k 306]
20. Огляд. Інші змагальні мережі
20.pdf [52m 458k 550]
20.pptx [13m 447k 98]
video.mp4 [103m 897k 199]
21. Навчання з підкріпленням в змагальних мережах
21.pdf [10m 435k 686]
21.pptx [3m 152k 931]
video.mp4 [168m 51k 327]
22. Сучасні згорткові мережі. Огляд
22.pdf [10m 908k 309]
22.pptx [2m 998k 17]
video.mp4 [110m 802k 176]
23. Сучасні згорткові мережі. Практика
chat.txt [660]
CNN_practice.ipynb [13m 851k 415]
video.mp4 [98m 825k 914]
дза.txt [208]
24. Глибокі рекурентні мережі
gumbel.zip [5k 806]
rec.pdf [533k 731]
rec_ppt.pptx [1m 64k 603]
video.mp4 [183m 117k 705]
25. Metric-learning і навчання без прикладів
25.mp4 [101m 728k 480]
chat.txt [1k 394]
face_recognition.ipynb [452k 571]
model.py [11k 929]
utils.py [6k 380]
26. Увага в нейронних мережах
19.pdf [4m 240k 967]
19.pptx [11m 703k 582]
26.mp4 [206m 888k 851]
chat.txt [1k 295]
27. Огляд. Виявлення та сегментація
27.mp4 [111m 851k 419]
chat.txt [198]
ObjectDetection.ipynb [3m 521k 153]
28. Нейронні мережі для роботи з графами
28.mp4 [156m 818k 557]
28.pdf [16m 559k 239]
28.pptx [4m 858k 617]
зміст складчини (файли і папки)
01. Штучний інтелект та інші завдання які можна вирішувати за допомогою нейронних мереж
1.pdf [14m 939k 279]
1.pptx [43m 232k 319]
dataset.ipynb [3k 429]
Dockerfile [1k 677]
homework.ipynb [733]
pytorch.ipynb [2k 8]
salt.py [121]
utils.py [1k 106]
video.mp4 [198m 391k 336]
дза.txt [403]
02. Теоретичні основи навчання нейронних мереж
2.pdf [2m 462k 405]
2.pptx [1m 725k 217]
Dockerfile [1k 539]
log_reg.ipynb [4k 276]
video.mp4 [142m 344k 134]
дза.txt [243]
03. Перша нейронна мережа
3.pdf [1m 221k 740]
3.pptx [1m 431k 409]
DLE-2018-11-Lesson 3.mp4 [374m 480k 281]
MNIST_MLP.ipynb [49k 96]
video.mp4 [109m 6k 203]
04. Keras
4.pdf [5m 699k 661]
4.pptx [5m 614k 971]
MNIST_MLP_KERAS.ipynb [6k 719]
video.mp4 [102m 992k 393]
дза.txt [701]
05. TensorFlow
chat.txt [9k 606]
Otus.zip [858k 590]
tensorflow.ipynb [73k 791]
video.mp4 [291m 653k 835]
06. Перенавчання і регуляризація нейронних мереж
6.pdf [4m 346k 948]
6.pptx [1m 346k 946]
Dockerfile [1k 617]
mnist_mlp.ipynb [6k 523]
utils.py [2k 454]
video.mp4 [144m 526k 188]
дза.txt [272]
Посилання.txt [32]
07. Вибух і загасання градієнтів
chat.txt [10k 722]
Dockerfile [1k 357]
gradient_decay.zip [228m 826k 774]
gradient_slides.pdf [11m 110k 838]
mnist_mlp_6.ipynb [118k 455]
mnist_mlp_keras.ipynb [32k 629]
utils.py [2k 454]
video.mp4 [243m 525k 870]
Посилання.txt [92]
08. Основні архітектури нейронних мереж Автокодувальники
8.pdf [1m 782k 558]
8.pptx [1m 454k 445]
chat.txt [14k 684]
Dockerfile [1k 357]
sparse_ae.ipynb [306k 31]
sparse_ae_relu.ipynb [261k 111]
utils.py [2k 454]
video.mp4 [147m 618k 308]
дза.txt [339]
09. Основні архітектури нейронних мереж згорткові мережі
chat.txt [9k 250]
conv_nets.pdf [1m 206k 294]
conv_nets.pptx [10m 887k 131]
conv_nets_mp4.zip [194m 562k 830]
Dockerfile [1k 358]
mnist_conv.ipynb [10k 631]
utils.py [2k 454]
video.mp4 [204m 448k 478]
дза.txt [316]
10. Основні архітектури нейронних мереж. Рекурентні мережі
10.pdf [15m 79k 128]
10.pptx [3m 599k 85]
Dockerfile [1k 644]
generated1.txt [10k 20]
rnn.ipynb [21k 931]
rnn_results.ipynb [21k 836]
wiki_utils.py [2k 522]
wikitext.zip [4m 480k 305]
zoom_1_8858_493ab2.mp4 [178m 51k 29]
дза.txt [292]
11. Адаптивні методи градієнтного спуску
11.pdf [3m 214k 474]
11.pptx [1m 407k 654]
Dockerfile [1k 454]
mnist_conv.ipynb [81k 634]
utils.py [2k 454]
zoom_0_8858_a74da0.mp4 [129m 928k 901]
12. Реалізація на TensorFlow
chat.txt [5k 133]
test.csv [19m 221k 506]
tf_lstm.zip [335k 391]
tf_lstm_implementation.mp4 [284m 808k 567]
tf_lstm_implementation_31272_9fb1af.mp4 [297m 316k 270]
train.csv [57m 47k 694]
13. Реалізація на Keras
13_40121_78f385.mp4 [90m 218k 168]
chat.txt [1k 270]
lang_data.csv [105k 350]
LSTM_Keras.ipynb [105k 776]
14. Вступ до навчання з підкріпленням
12.pdf [5m 516k 393]
12.pptx [2m 510k 262]
zoom_1_8858_e02cfc.mp4 [159m 33k 268]
дза.txt [173]
Посилання.txt [72]
15. Варіаційний автокодувальник
15.pdf [1m 237k 237]
15.pptx [26m 511k 253]
15_40121_2b2589.mp4 [88m 770k 947]
chat.txt [1k 102]
Vae_tf.ipynb [457k 644]
дза.txt [254]
16. Генеративні змагальні мережі
16.pdf [34m 688k 647]
16.pptx [29m 676k 813]
fc_gan.gif [4m 783k 577]
mnist_fc_gan.ipynb [3m 4k 756]
utils.py [2k 593]
zoom_0_8858_f03450.mp4 [156m 120k 355]
дза.txt [193]
17. Змагальний Автокодувальник і умовна генерація
aaec.gif [77m 606k 749]
acs.molpharmaceut.8b00839.pdf [2m 461k 929]
Adversarial_auto_encodrers.pdf [8m 153k 839]
caae.gif [72m 308k 699]
caae_git_version.py [7k 72]
chat.txt [5k 93]
conditional_aae_and_friends_31272_b60b3f.mp4 [239m 57k 340]
Lample_et_al.___2017___Fader_Networks_Manipulating_Images_by_Sliding_Attributes.pdf [11m 570k 151]
mnist_fc_aae_c.ipynb [10k 995]
mnist_fc_caae.ipynb [11k 36]
utils_1.py [2k 889]
Zhang__Song__Qi___2017___Age_progressionregression_by_conditional_adversarial_autoencoder.pdf [2m 735k 962]
дза.txt [402]
18. Глибоке навчання з підкріпленням
18.pdf [6m 569k 425]
18.pptx [22m 625k 256]
video.mp4 [115m 360k 468]
Домашка_по_RL.txt [390]
Посилання.txt [346]
19. Domain Adaptation
14_8858.pdf [5m 751k 933]
15_239.pdf [5m 670k 840]
1702.05464.pdf [1m 767k 31]
chat.txt [4k 770]
mnist_fc_ada.ipynb [478k 913]
utils.py [2k 889]
video.mp4 [199m 79k 806]
Wang__Deng___Unknown___Deep_Visual_Domain_Adaptation_A_Survey.pdf [2m 699k 306]
20. Огляд. Інші змагальні мережі
20.pdf [52m 458k 550]
20.pptx [13m 447k 98]
video.mp4 [103m 897k 199]
21. Навчання з підкріпленням в змагальних мережах
21.pdf [10m 435k 686]
21.pptx [3m 152k 931]
video.mp4 [168m 51k 327]
22. Сучасні згорткові мережі. Огляд
22.pdf [10m 908k 309]
22.pptx [2m 998k 17]
video.mp4 [110m 802k 176]
23. Сучасні згорткові мережі. Практика
chat.txt [660]
CNN_practice.ipynb [13m 851k 415]
video.mp4 [98m 825k 914]
дза.txt [208]
24. Глибокі рекурентні мережі
gumbel.zip [5k 806]
rec.pdf [533k 731]
rec_ppt.pptx [1m 64k 603]
video.mp4 [183m 117k 705]
25. Metric-learning і навчання без прикладів
25.mp4 [101m 728k 480]
chat.txt [1k 394]
face_recognition.ipynb [452k 571]
model.py [11k 929]
utils.py [6k 380]
26. Увага в нейронних мережах
19.pdf [4m 240k 967]
19.pptx [11m 703k 582]
26.mp4 [206m 888k 851]
chat.txt [1k 295]
27. Огляд. Виявлення та сегментація
27.mp4 [111m 851k 419]
chat.txt [198]
ObjectDetection.ipynb [3m 521k 153]
28. Нейронні мережі для роботи з графами
28.mp4 [156m 818k 557]
28.pdf [16m 559k 239]
28.pptx [4m 858k 617]
Обсяг всього курсу: 6,54 Гб
https://privatelink.de/?https://otus.ru/lessons/deep-learning-engineer/