12 курсов по Deep Learning

От персептрона до GAN: практические примеры

Добавление 8 проектов в свое портфолио

Гибкая учебная траектория и поддержка экспертов

Получение консультаций от ментора

Формат обучения: Онлайн

Уровень: Миддл+

Для кого:

• Для дата-сайентистов
• Для инженеров данных
• Для программистов и разработчиков

Глубокое обучение — это потрясающая сила. С его помощью вы сможете научить компьютер видеть, создавать новые произведения искусства, переводить тексты на разные языки, ставить диагнозы и создавать автоматически управляемые механизмы. Если это не суперсила, то что это такое?

Чему вы научитесь на курсе:

Работа с многомерными свёртками

• Padding & stride
• Pooling и LeNet
• Использование архитектур AlexNet, VGG, NiN, GoogLeNet, ResNet и DenseNet

Управление историей

Получение конкурентного преимущества в задачах с использованием Beam-Search и Teacher Forcing

Реализация NLP

От классических RNN, GRU и LSTM до топовых Encoder-Decoder архитектур

State-of-art сегментация

• Готовность к прикладным задачам, таким как Object Detection, Object Localization, Bounding boxes и AnchorBoxes

Углубленное изучение CNN

Отличие между дескриминатором и генератором, обучение генератора на данных из линейной регрессии

Построение языковых моделей

От NER и машинного перевода до определения тональности и преобразования текста

Для кого подходит этот курс:

• Для дата-сайентистов
• Для инженеров данных
• Для программистов и разработчиков

Нейронные сети — один из ключевых элементов машинного обучения, который стоит за многими важными достижениями искусственного интеллекта сегодня. Голосовые помощники, обучение компьютеров побеждать в играх, чат-боты и распознавание лиц на фотографиях — все это благодаря нейронным сетям.

В наше время овладение этой наукой (или искусством) проще, чем когда-либо, благодаря мощным библиотекам и доступным архитектурам.

Программа курса:

Вас ждут интенсивные уроки и практика с экспертами отрасли, 5 предметных областей и более 40 практических заданий с обратной связью от преподавателей. В результате вы пройдете 8 проектов и получите удостоверение о повышении квалификации.

Пререквизиты:

• Умение программировать на Python
• Основы машинного обучения и библиотек pandas, numpy, sklearn

Что вы получите в результате обучения:

• Применение различных методов градиентного спуска к логистической регрессии
• Обучение многослойного персептрона с Dropout и регуляризацией
• Разработка модели авторегрессии и прогнозирование функции синус
• Работа с различными архитектурами и задачами в машинном обучении

Дипломные работы на курсе:

Вы сможете выбрать тему для своего диплома и разработать проект под руководством экспертов курса, получив удостоверение по окончании.

Гарантия возврата денег: 3 занятия для пробного периода

Бесплатная программа трудоустройства по окончании курса

Преимущества завершенного курса:

• Освоите применение алгоритмов deep learning для решения бизнес-задач
• Углубите свои знания в области Data Science
• Изучите 7 различных нейронных сетей
• Примите участие в командных соревнованиях на Kaggle

Машинное обучение - одно из наиболее динамично развивающихся направлений знаний. Инвестиции в эту область вырастут в пять раз за ближайшие три года. Deep Learning находится на переднем крае индустрии машинного обучения.

Для успешного прохождения курса необходимо иметь базовое представление о машинном обучении и знание языка Python. В рамках обучения вы пройдете через все этапы - от аренды GPU-сервера, подходящего для Deep Learning, до создания законченной модели для компьютерного зрения, анализа естественного языка и рекомендательных систем.

Направления специализации:

• Python
• Math&Stat
• Machine Learning
• Deep Learning
• Data Engineering
• Менеджмент

Программа обучения:

Модуль 1: Введение в искусственные нейронные сети

Создание нейронной сети для распознавания рукописных цифр на языке Python.

Модуль 2: Фреймворки для глубокого обучения (TensorFlow, Keras)

Работа с моделью распознавания изображений на основе датасета FashionMNIST и фреймворка Keras.

Модуль 3: Сверточные нейронные сети

Обучение распознаванию изображений в датасете CIFAR-10 с помощью сверточной нейронной сети.

Модуль 4: Оптимизация нейронной сети

Улучшение скорости и производительности нейронных сетей для кейса из предыдущего модуля.

Модуль 5: Transfer learning & Fine-tuning

Дообучение нейронной сети ImageNET для задачи классификации изображений.

Модуль 6: Обработка естественного языка (NLP)

Создание нейронной сети для распознавания рукописных цифр на языке Python.

Модуль 7: Сегментация и Детектирование объектов

Проектирование нейронной сети для сегментации и обучение нейросети для детекции объектов.

Модуль 8: Обучение с подкреплением (Reinforcement Learning)

Создание агента для игры в Pong на основе алгоритма DQN.

Модуль 9: What's next? Продвинутые нейронные сети

Изучение других областей применения нейросетей и создание нейросети GAN для генерации изображений.

Begin your deep learning journey today!

Discover the realms of machine learning, data science, and artificial intelligence from the ground up without any prior experience required.

World-class Training

Our courses in AI, deep learning, and data science have already benefitted hundreds of thousands of students. By grasping fundamental concepts rooted in advanced mathematics and visualization, you will comprehend machine learning algorithms on a profound and intuitive level. Each course is brimming with practical examples based on real data, allowing you to immediately apply these concepts to your own projects.

From Beginner to Advanced

• Beginners: All you need to get started are basic skills in calculus, linear algebra, and Python coding. Enroll in a course and begin absorbing knowledge!
• Intermediate: If you already have experience tinkering with Sci-Kit Learn, delve deeper into the inner workings and the advantages and disadvantages of each algorithm.
• Advanced: Eager to explore cutting-edge concepts not yet found in textbooks? We simplify current research into a more accessible format for the average developer.
• Industrial: Looking to advance your career? Data scientists and machine learning engineers are among the most highly sought-after and well-compensated professionals today. With the ability to substantiate business recommendations with concrete data, you'll stand out in any industry.

Deep Learning School

Глубокое обучение — это образовательная инициатива, запущенная на базе Факультета прикладной математики и информатики Московского физико-технического института. Мы специализируемся на создании образовательных программ по искусственному интеллекту для учащихся и студентов, увлеченных программированием и математикой.

Преподаватели

• Занятия проводят студенты и выпускники Физтех-школы прикладной математики и информатики МФТИ.

Цель курсов

• Знакомство слушателей с теорией и практикой глубокого обучения (нейронных сетей) в интерактивном формате.

Формат обучения

• Проводим как очные, так и заочные занятия.

Проект поддерживается Центром НТИ на базе МФТИ по направлению "Искусственный интеллект".

Почему выбирают нейронные сети?

Почти все крупные компании, такие как Google, Яндекс, Facebook, Microsoft, используют нейронные сети в своей работе. Почему? Потому что они демонстрируют высокую эффективность в задачах, связанных с компьютерным зрением (например, Google Фото) и обработкой естественного языка (например, Яндекс.Алиса), и это лишь малая часть областей применения нейронных сетей. Современные подходы к глубокому обучению позволяют достичь результатов, которые раньше казались невозможными.

Для кого подходит

Если вас привлекает математика и программирование, и вы стремитесь получить как теоретические, так и практические знания в области глубокого обучения, то наши курсы — отличный выбор для вас. Независимо от вашего возраста либо уровня образования, будь то старшеклассник, студент или взрослый.

Что вы изучите

• Основы языка Python.
• Основные принципы Linux и Bash.
• Машинное обучение: базовые концепции, обучение с учителем, линейные модели, перцептрон.
• Инструменты: библиотеки Python (NumPy, Matplotlib), инструменты для глубокого обучения (фреймворки, Google Colab).
• Полносвязные и многослойные нейронные сети, практическое обучение.
• Математические основы: линейная алгебра, основы теории оптимизации.
• Сверточные нейронные сети: классификация изображений, сегментация, детектирование объектов, перенос стиля изображения.

Master Machine Learning

Become a professional in Machine Learning. Gain a deep understanding of deep learning and break into the field of AI.

Skills to Acquire

• Build and train deep neural networks
• Identify crucial architecture parameters
• Implement vectorized neural networks
• Apply deep learning to various applications
• Analyze variance for DL applications
• Use optimization algorithms
• Construct neural networks in TensorFlow
• Develop Convolutional Neural Networks (CNN)
• Utilize neural style transfer for art generation
• Work with image and video data algorithms
• Train Recurrent Neural Networks (RNN)
• Apply RNNs to NLP and Word Embeddings
• Utilize HuggingFace tokenizers and transformer models

Key Components

• Artificial Neural Network
• Convolutional Neural Network
• Tensorflow
• Recurrent Neural Network
• Transformers
• Deep Learning
• Backpropagation

The Deep Learning Specialization program offers a comprehensive curriculum to deepen your knowledge and skills in the field of deep learning. Through a series of courses, you will explore various neural network architectures, learn advanced strategies to enhance their performance, and engage with real-world AI applications.

AI is rapidly changing industries, and this specialization program equips you with the necessary skills to excel in this transforming landscape.

Applied Learning Project

By the end of the program, you will be proficient in building and training deep neural networks, implementing architectural parameters, and leveraging DL in practical applications.

You will have the ability to reduce errors in ML systems, understand complex settings, and apply various learning techniques. Additionally, you will master the building of CNNs, RNNs, and working with NLP scenarios.

Specialization Courses

1. Neural Networks and Deep Learning

Understand the foundational concepts of neural networks and deep learning to construct and apply advanced models efficiently in your projects.

2. Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization

Gain insights into the processes driving deep learning performance and learn best practices for optimizing and training neural networks effectively.

3. Structuring Machine Learning Projects

Develop advanced skills in diagnosing and improving ML systems, handling complex scenarios, and applying diverse learning strategies.

4. Convolutional Neural Networks

Explore the evolution of computer vision, build CNNs, and apply them to visual tasks like detection and recognition, as well as art generation.

5. Sequence Models

Understand sequence models for applications such as speech recognition, NLP, and learn to train RNNs for various tasks like language modeling and Question Answering.

Изучение глубокого обучения

• Машинное обучение
• Искусственный интеллект
• TensorFlow
• Нейронные сети
• Обработка и анализ данных
• Python
• Компьютерное зрение
• PyTorch
• Обработка естественного языка
• Машинное обучение с подкреплением
• Keras
• R (язык программирования)
• Анализ данных
• OpenCV
• Визуализация данных
• Сверточные нейронные сети
• Интеллектуальный анализ данных
• Статистика

Deep Learning A-Z™: Hands-On Artificial Neural Networks

Learn to create Deep Learning Algorithms in Python from two Machine Learning & Data Science experts. Templates included.

Complete Guide to TensorFlow for Deep Learning with Python

Learn how to use Google's Deep Learning Framework - TensorFlow with Python! Solve problems with cutting edge techniques!

Data Science: Deep Learning and Neural Networks in Python

The MOST in-depth look at neural network theory, and how to code one with pure Python and Tensorflow

Natural Language Processing with Deep Learning in Python

Complete guide on deriving and implementing word2vec, GloVe, word embeddings, and sentiment analysis with recursive nets

Tensorflow 2.0: Deep Learning and Artificial Intelligence

Neural Networks for Computer Vision, Time Series Forecasting, NLP, GANs, Reinforcement Learning, and More!

Deep Learning: Advanced Computer Vision (GANs, SSD, +More!)

VGG, ResNet, Inception, SSD, RetinaNet, Neural Style Transfer, GANs +More in Tensorflow, Keras, and Python

Advanced AI: Deep Reinforcement Learning in Python

The Complete Guide to Mastering Artificial Intelligence using Deep Learning and Neural Networks

Deep Learning: Convolutional Neural Networks in Python

Use CNNs for Image Recognition, Natural Language Processing (NLP) +More! For Data Science, Machine Learning, and AI

Deep Learning: Advanced NLP and RNNs

Natural Language Processing with Sequence-to-sequence (seq2seq), Attention, CNNs, RNNs, and Memory Networks!

Tensorflow Deep Learning - Data Science in Python

Tensorflow and Keras For Neural Networks and Deep Learning

Complete Time Series Analysis With Python

Deep Learning: Recurrent Neural Networks in Python

GRU, LSTM, Time Series Forecasting, Stock Predictions, Natural Language Processing (NLP) using Artificial Intelligence

The Complete Self-Driving Car Course - Applied Deep Learning

Learn to use Deep Learning, Computer Vision and Machine Learning techniques to Build an Autonomous Car with Python

Deep Learning Prerequisites: Logistic Regression in Python

Data science, machine learning, and artificial intelligence in Python for students and professionals

Recommender Systems and Deep Learning in Python

The most in-depth course on recommendation systems with deep learning, machine learning, data science, and AI techniques

Deep Learning with Python and Keras

Understand and build Deep Learning models for images, text and more using Python and Keras

Modern Deep Learning in Python

Build with modern libraries like Tensorflow, Theano, Keras, PyTorch, CNTK, MXNet. Train faster with GPU on AWS.

PyTorch for Deep Learning with Python Bootcamp

Learn how to create state of the art neural networks for deep learning with Facebook's PyTorch Deep Learning library!

Machine Learning Courses:

• Machine Learning with Python: from Linear Models to Deep Learning
• IBM Deep Learning
• Deep Learning with Python and PyTorch
• Deep Learning with Tensorflow
• Deep Learning Fundamentals with Keras
• Applied Deep Learning Capstone Project

Artificial Intelligence (AI) Courses:

• AI for Everyone: Master the Basics
• PyTorch Basics for Machine Learning
• Introduction to Deep Learning
• Fundamentals of TinyML
• Applications of TinyML
• Deploying TinyML
• Tiny Machine Learning (TinyML)

Other Related Courses:

• Statistics and Data Science
• Text Analytics with Python: University of Canterbury
• Deep Learning and Neural Networks for Financial Engineering
• Machine Learning and Finance
• Fintech: AI & Machine Learning in the Financial Industry
• Foundations of AI: Delft University of Technology
• AI in Practice

Глубокое обучение

Алгоритмы машинного обучения требуют структурирования данных, но при этом требуют постоянного вмешательства человека. В отличие от них, глубокие нейронные сети могут самостоятельно структурировать данные, учиться на своих ошибках и не требовать человеческого вмешательства.

Преимущества глубокого обучения:

• Способность к самостоятельному обучению
• Применение в распознавании речи, компьютерном зрении и создании изображений и звуков
• Ключ к реальному искусственному интеллекту в эпоху Big Data

Список тем:

1. Глубокие нейросети с прямой связью
2. Долгая краткосрочная память
3. Искусственные нейронные сети: архитектуры и обучение
4. Обучение нейронных сетей
5. Машина Гёделя
6. Скоростная вероятность
7. Глубокая нейронная сеть
8. Глубокие нейронные сети: пути применения
9. Описание глубин неописуемых: тест о глубоком обучении

Курс по глубокому обучению: создание проектов с использованием нейронных сетей

Основные моменты:

• Получение практических навыков
• Ознакомление с основами глубокого обучения
• Построение простых нейронных сетей
• Изучение моделей YOLO и Mask-RCNN
• Знакомство с фреймворками MMDetection и Keras
• Разметка датасетов в Labelme и VGG Image Annotator

Программа курса

Тема 1. Введение в глубокое машинное обучение

История искусственного интеллекта, виды нейронных сетей, демонстрация проектов от NVidia.

Тема 2. Python и библиотеки для работы

Использование Python для работы с фреймворками, создание моделей.

Тема 3. GPU и нейронные сети

Преимущества использования графических процессоров, структура нейронных сетей, работа с датасетами.

Тема 4. Работа с датасетами

Загрузчики данных, расширение датасетов путем аугментации.

Тема 5. Локализация объектов

Обучение сети для определения объектов, метрики эффективности.

Тема 6. Сверточные нейронные сети

Обучение сетей, фреймворк YOLO.

Тема 7. Фреймворк Keras и transfer learning

Использование Keras, оптимизация работы, transfer learning.

Тема 8. Фреймворк MMDetection

Работа с MMDetection, локализация и сегментация объектов.

Темы 9, 10. Проектная работа

Создание модели для распознавания объектов на изображениях.

После курса вы научитесь:

1. Читать код фреймворков глубокого обучения
2. Обучать модели для вашего датасета
3. Добиваться максимальных результатов с нейронными сетями

Профессиональные курсы Machine Learning Engineer в ITEA

Deep Learning - это метод обучения, который поможет новичкам в области Machine Learning применять свои собственные подходы к задачам компьютерного зрения. С помощью ITEA вы сможете эффективно использовать нейронные сети для анализа естественного языка и прогнозирования временных рядов.

Что можно изучить на курсе:

• Использование библиотеки Tensorflow и Keras API
• Применение нейронных сетей для решения задач компьютерного зрения, анализа естественного языка и прогнозирования временных рядов

Обучение Deep Learning: содержание курса

1. Введение в Data science, Machine learning и deep learning
2. Основы нейронных сетей
3. Процесс обучения простой нейронной сети
4. Модернизированные методы создания нейронных сетей, такие как Tensorflow, Keras и PyTorch

Создание и обработка изображений:

• Технологии обработки изображений: OpenCV, Albumentations
• Использование сверточных нейронных сетей для распознавания объектов и сегментации изображений

Работа с естественным языком:

• Подготовка текстов и решение задач NLP
• Использование различных моделей Word Embeddings и Sequence models

Прогнозирование временных рядов:

• Эффективные методы обработки и прогнозирования временных рядов с использованием рекуррентных нейронных сетей
• Оптимизация алгоритмов и тестирование моделей

Презентация проектов и завершение курса

Что включает программа проекта

• Проекты выполнены в рамках домашнего задания (7-10 часов в неделю) на основе реальных кейсов.
• Работа проводится в двух форматах:

1. работа с Google Colab для итеративной работы и подбора правильной архитектуры нейронной сети;
2. работа с AWS Spot Instances для длительного обучения моделей.

Чему вы научитесь

• Компьютерное зрение
• Научитесь предварительной обработке изображений и их дальнейшей классификации.
• Проект: классификация типов комнат и помещений на фотографии для создания виртуальной примерки интерьера.
• Natural Language Processing
• Научитесь генерации и классификации текстов с использованием Deep Learning.
• Проект: классификация интентов для чат-бота в рамках задачи создания голосового ассистента в службе поддержки.

Часть 1. Введение в Deep Learning и классификация изображений

• Обзор современных возможностей нейронных сетей.
• Основы нейронных сетей. Сверточные сети (CNN).
• Разбор современных архитектур ResNet, VGG, Inception.
• Transfer learning.
• Детекция и сегментация изображений.
• Generative Adversarial Networks (GANs).

Часть 2. Классификация текстов

• Архитектуры в до-трансформерскую эру: CNN и RNN (LSTMs). Реализация классификатора на основе обеих архитектур.
• Sequence-to-sequence tagging на примере чат-бота.
• Encoder-decoder, появление attention и машинный перевод.
• Архитектура трансформеров. Языковые модели на основе трансформеров: от BERT до RoBERTa и T5.
• Автоэнкодеры. Кластеризация и topic modelling.
• Практические аспекты: оптимизаторы, регуляризаторы и стратегии изменения learning rate.

Лекции и задания

Лекция 1: Введение

20 февраля, 8:40 Мск

Основное содержание курса, понятия machine learning и deep learning, основные области - компьютерное зрение, обработка естественного языка, распознавание речи, обучение с подкреплением. Доступные ресурсы.

• Видео
• Слайды

Семинар 1: Python, numpy, notebooks

Обзор необходимых инструментов для курса - Python, Jupyter, numpy. Возможности Google Colab для запуска Jupyter Notebooks в облаке.

• Видео
• Материалы

Лекция 2: Элементы машинного обучения

27 февраля, 8:40 Мск

Разбор задачи supervised learning. Пример простого алгоритма обучения K-nearest neighbor. Тренировочные и тестовые выборки. Подстройка гиперпараметров с помощью validation set и cross-validation. Общий алгоритм тренировки и валидации моделей (Machine Learning Flow).

• Видео
• Слайды

Семинар 2: Установка окружения для заданий

Настройка необходимого окружения для выполнения задач. Детальное изучение KNN.

• Видео
• Задание

Лекция 3: Нейронные сети

6 марта, 8:40 Мск

Описание линейного классификатора - нейронной сети с одним слоем. Softmax, функция потерь cross-entropy. Тренировка с использованием стохастического градиентного спуска, регуляризация весов. Многослойные нейронные сети, fully-connected layers. Алгоритм backpropagation.

• Видео
• Слайды