• 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 каковы их ограничения. Вы получите практический опыт решения реальных задач и разработки с Tensorflow.

 
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 на обучение

Основные темы программы

  • Введение в нейросети. Собираем первую нейроcеть в Keras.
  • Адаптивные варианты градиентного спуска. Алгоритм обратного распространения ошибки.
  • Основы Tensorflow.
  • Нормализация по батчам. Инициализация. Эвристики для обучения сетей.
  • Свёрточные нейронные сети.
  • Inception. Resnet. Transfer learning. Metric Learning. Про распознавание лиц.
  • Что видят свёрточные сети. Перенос стиля. Внимание.
  • Автокодировщики, вариационные автокодировщики.
  • Генеративные нейронные сети.
  • Введение в NLP, word2vec, эмбединги.
  • Рекурентные неросети, LSTM, GRU.
  • Свёрточные сети для NLP.
  • Fasttext, ELMO. Transformer models. BERT.
  • Seq2Seq модели. Автопереводы. Немного про байесовские нейронные сети.

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

6 февраля - 28 марта 2020 г.

По четвергам (с 19:00 до 22:00) и субботам (с 15:00 до 18:00).


Место проведения: Покровский бульвар, 11.

Преподаватели

Филипп Ульянкин

Data Scientist в Яндекс.Дзен

Ахмед Зарманбетов

Data scientist в X5 Retail Group

Владислав Соловей

Data Scientist в Buzzoola

 

Подать заявку на обучение