• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Программа "Deep Learning: расширенный курс"

Deep learning является одной из самых популярных областей машинного обучения. Именно благодаря этому подходу были получены наилучшие результаты в распознавании изображений, обработке текста, машинном переводе, обучении с подкреплением и многих других задачах.

Но что скрывается за этим термином?  Ответ на этот вопрос мы постараемся дать в ходе данной программы. Слушатели смогут познакомиться с моделями на основе искусственных нейронных сетей, а также теорией, описывающей их работу. Будут рассмотрены примеры решений задач распознавания изображений и анализа текстов, с использованием библиотеки Tensorflow. Программа подразумевает обширную практическую часть и большое количество самостоятельной работы.

По завершении программы вы будете понимать как работают модели на основе нейронных сетей, на что они способны на данный момент и их ограничения. Вы получите практический опыт решения реальных задач и разработки с Tensorflow.

Преподаватели

Святослав Елизаров
Выпускник факультета компьютерных наук. Data scientist и программист в alterra.ai


 

Борис Коваленко
Выпускник факультета компьютерных наук. Deep Learning Engineer в международной компании.


 

Сергей Абдуракипов
Кандидат физико-математических наук, ведущий консультант Data Science в SAP Labs. Медаль Российской Академии Наук, стипендиат Президента РФ, гранты международных компаний и фондов за цикл работ в области интеллектуального анализа данных для задач энергетики. Более 50 публикаций, из них 10 по машинному обучению и анализу данных. Ph.D. программа в Техническом университете Делфта (Нидерланды). Разрабатывал и читал курс "Основы машинного обучения". Образование: Новосибирский государственный университет, Школа анализа данных Яндекса.


 

Дмитрий Буслов
Старший архитектор бизнес-решений в SAP СНГ. Окончил Московский Авиационный Институт, получал дополнительное образование в MIT и Высшей школе экономики.


 

Основные темы программы

  • Линейные модели
  • Полносвязные нейронные сети, методы оптимизации
  • Инициализация параметров, регуляризация
  • Сверточные сети
  • Архитектуры, история, трансфер лернинг
  • Автоэнкодеры, VAE
  • Q - learning
  • Word2Vec
  • RNN
  • LSTM, GRU
  • Caption Generation
  • GAN

Начальные требования

Понимание задач машинного обучения (функция потерь, метрики качества, переобучение);
Базовые знания линейной алгебры (матрицы, тензоры, скалярное произведение);
Базовые знания математического анализа (умение брать производные, интеграл);
Базовые знания математической статистики (случайная величина, распределение, метод наибольшего правдоподобия);
Знание основ Python.

Расписание занятий


Занятия будут проходить по четвергам с 19:00 до 22:00 и субботам с 15:00 до 18:00 с  11 апреля по 15 июня 2019 года.

В процессе обучения мы будем делать эти и другие проекты

С помощью моделей, основанных на искусственных нейронных сетях, вы сможете реалистично изменять выражение лиц людей на фото. Подобная технология используется в приложении FaceApp.
В рамках программы мы разберем несколько соревнований с платформы Kaggle

 

76

академических часов, в том числе 56 аудиторных

50 000

рублей

По итогам программы выдается Удостоверение о повышении квалификации установленного НИУ ВШЭ образца

Подать заявку