Глубокое обучение на Python,
нейронные сети

Глубокое обучение — это особый раздел машинного обучения, новый подход к поиску представления данных, делающий упор на изучение последовательных слоев (или уровней) все более значимых представлений. Под глубиной в глубоком обучении не подразумевается более глубокое понимание, достигаемое этим подходом; идея заключается в многослойном представлении.

На курсе слушатели познакомятся с основными понятиями искусственного интеллекта, машинного и глубокого обучения; с базовыми идеями, необходимыми для освоения глубокого обучения: тензоры, операции с тензорами, градиентный спуск и обратное распространение ошибки; начнут работу с нейронными сетями: введение в Keras — фреймворк глубокого обучения. Слушатели рассмотрят практические примеры распознавания образов с особым вниманием к классификации изображений и практические методы обработки последовательностей данных, таких как текст и временные последовательности. Предполагается, что слушатели почти ничего не знают о глубоком обучении и цель курса представить концепции, инструменты и идеи, которые необходимы для реализации программ, способных обучаться на основе данных.

Целевая аудитория

Начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science, желающих начать знакомство с темой машинного обучения с технологией глубокого обучения.

Расписание открытых форматов курса

Дистанционный формат — 60 000 ₽.

Очный формат — 60 000 ₽.

Стоимость обучения одного слушателя

В результате освоения курса вы:

представлять данные для нейронных сетей;
проводить операции над тензорами;
работать с нейронными сетями;
понимать основы глубокого обучения;
использовать глубокое обучение в технологиях компьютерного зрения;
использовать глубокое обучение для текста и последовательностей.

что такое глубокое обучение;
чем отличается: искусственный интеллект, машинное и глубокое обучение;
как представлять данные для нейронных сетей;
как настроить среду для глубокого обучения;
что такое фреймворк Keras;
какие есть разделы обучения;
что такое переобучение и недообучение моделей;
как использовать предварительно обученную сверточную нейронную сеть в технологиях компьютерного зрения;
как применить методы рекуррентных нейронных сетей для анализа текста и последовательностей.

Научитесь

Узнаете

Основная информация

22 января 2024
26 февраля 2024
27 мая 2024
16 сентября 2024

пн–чт 10:00–17:30

60 000 руб.

м. Аэропорт,
Ленинградский проспект 68/24

Верхотуров Марк Валерьевич
Беляев Александр Владимирович

Порядок записи на курс

Консультация

Выбор курса

Заключение договора

Оплата обучения.

очно (до 15 слушателей);
дистанционно в составе очной группы (без ограничения числа подключений);
корпоративный формат (для групп от 10 до 45 слушателей).

Возможные форматы обучения и размеры групп

1 Что такое глубокое обучение

1.1 Искусственный интеллект, машинное и глубокое обучение
1.2 Краткая история машинного обучения
1.3 Современные тенденции глубокого обучения

2 Математические основы нейронных сетей

2.1 Первое знакомство с нейронной сетью
2.2 Представление данных для нейронных сетей
2.3 Операции над тензорами
2.4 Механизм нейронных сетей, оптимизация на основе градиента

3 Начало работы с нейронными сетями

3.1 Анатомия нейронной сети
3.2 Введение в Keras
3.3 Настройка рабочей среды для глубокого обучения
3.4 Бинарная классификация
3.5 Классификация в несколько классов
3.6 Регрессия

4 Основы глубокого машинного обучения

4.1 Четыре раздела обучения
4.2 Оценка моделей обучения
4.3 Обработка данных, конструирование признаков и обучение признаков
4.4 Переобучение и недообучение
4.5 Обобщенный процесс решения задач глубокого машинного обучения

5 Глубокое обучение в технологиях компьютерного зрения

5.1 Введение в сверточные нейронные сети
5.2 Обучение сверточной нейронной сети на небольшом наборе данных
5.3 Использование предварительно обученной сверточной нейронной сети
5.4 Визуализация знаний, заключенных в сверточной нейронной сети

6 Глубокое обучение для текста и последовательностей

6.1 Работа с текстовыми данными
6.2 Рекуррентные нейронные сети
6.3 Улучшенные методы использования рекуррентных нейронных сетей
6.4 Обработка последовательностей с помощью сверточных нейронных сетей

Подробная программа курса

Документы об окончании

Удостоверение о повышении квалификации

Требуемый уровень предварительной подготовки

Опыт программирования на языке Python (Питон) и знание основных библиотек Python для научных расчетов: Numpy, Pandas, Matplotlib. Понимание разделов математики: теория вероятности, статистика, математический анализ, линейная алгебра. Навыки работы с алгоритмами машинного обучения.

Руководитель IT проектов, Разработчик Python, Data Scientist, ML-engineer

Разработка на Python
Сбор и анализ данных
Преобразование "сырых" данных в полезную информацию для бизнеса
Создание и обучение предиктивных моделей с помощью алгоритмов машинного обучения и нейросетей
Помощь бизнесу в нахождении скрытых закономерностей, прогнозировании развития событий и оптимизации ключевых бизнес-процессов

Консалтинг
Коучинг

Специализация

Должность

Дополнительные услуги

Ведёт 13 курсов в ЦЕСИНКОМ

Разработчик информационных систем, системный аналитик, аналитик данных

Разработка на Python
Машинное обучение
Математическая оптимизация

Консалтинг

Специализация

Должность

Дополнительные услуги

Ведёт 19 курсов в ЦЕСИНКОМ

Разработка курса или траектории обучения под вашу задачу

Центр готов взять на себя разработку курсов и траекторий обучения под уже сформированную модель компетенций или просто под список знаний и навыков, которые нужно освоить специалистам организации.

Рекомендуемые курсы

Список курсов, которые дополняют данный курс

Список категорий каталога, в которые включён курс

Траектории, в которые входит данный курс

Список курсов, требующихся для прохождения данного курса

Программирование на Python, часть 1

Программирование на Python, часть 2

Программирование на Python, часть 3. Numpy для Data Science

Программирование на Python, часть 4. Pandas для Data Science. Высокопроизводительная обработка и анализ данных в Pandas

Математика для Data Science, часть 1. Теория вероятностей и статистика

Математика для Data Science, часть 2. Математический анализ и линейная алгебра

Машинное обучения на Python, часть 1

Машинное обучения на Python, часть 2