Фоновый баннер

Deep Learning

Подробнее о курсе

Цель курса

  • Работать с многомерными свёртками
  • Управлять историей
  • Реализовывать NLP с нуля
  • State-of-art сегментации
  • Отличать дескриминатор от генератора
  • Строить языковые модели

Целевая аудитория курса

  • дата-сайентисты
  • инженеры данных
  • программисты и разработчики

Получаемые знания и навыки

  • Применять все 5 методов градиентного спуска к логистической регрессии.
  • Реализовать график функции потерь в зависимости от эпохи
  • Изучить многослойный персептрон с DroupOut и регуляризацией
  • Построить модель авторегрессии и спрогнозировать функция синус
  • Реализовать собственную RNN Cell и изучить языковую модель
  • Выбрать оптимальную Encoder-Decoder архитектура для задачи внимания (Attention)
  • Реализовать State-of-art сегментация для задач Object Detection
  • Применять FCN и UNet к задаче сегментации
  • Реализовать распознавание номеров домов
  • Предсказать вероятность выпадения следующего слова на основе цепей Маркова
  • Реализовать и изучить сеть генерации покемонов

Краткое содержание курса

  • Введение в тему
  • Основы Python & numpy & etc
  • Принципы линейной алгебры
  • Дифференцирование
  • Теория вероятностей и математическая статистика
  • Теорема Байеса
  • Виды нейронных сетей (Персептрон)
  • Линейная регрессия
  • Логистическая регрессия
  • Многослойный персептрон
  • Переобучение & недообучение
  • Регуляризация
  • Градиентный спуск
  • Сверточные сети (работа со свертками,
    Padding & stride, Pooling, LeNet)
  • Работа с современными сверточными архитектурами (AlexNet, VGG, NiN, GoogLeNet, ResNet, DenseNet)
  • Рекурентные сети: основные понятия, обработка текстов, Backprop throuth time, проблемы классических RNN, GRU и LSTM, различные типы задач recurent-networks
  • DeepRNN
  • BiRNN
  • Encoder-Decoder архитектура
  • Применение Beam-Search и attention
  • Компьютерное зрение: Object Detection
  • Region Based CNN
  • Семантическая сегментация и подготовка датасета
  • Deconvolution (Transposed Convolution)
  • Fully Convolution Network
  • Перенос стиля
  • Работа с текстом: Embeddings
  • Word2Wec
  • FastText
  • Transformer, Bert, Elmo
  • Генеративно-состязательная сеть (GAN): базовая архитектура + идея дискримиантора и генератора
  • Итоговые работы с использованием Reinforcement Learning, создание чат-бота на базе одной из сетей GAN, восстановление 3D-модели, использование архитектуры CNN для прямой регрессии объёмного представления трёхмерной геометрии объекта из 2D-изображениями)

Отзывы по курсу