Курс
Углубите свои знания в работе с нейросетями
Отработаете навыки на практике: добавите 8 проектов в портфолио
Будете учиться при поддержке сообщества экспертов и менторов
Когда
14 сентября — 30 ноября
Длительность
2,5 месяца
Формат
Вебинары, практические задания
Идите к нам под зонтик
Цена уже со скидкой. Оплатите курс до 15 сентября, чтобы сохранить выгоду.
Глубокое обучение — это суперсила
С его помощью вы можете заставить компьютер видеть, создавать новые произведения искусства, переводить на разные языки, ставить диагноз или создавать механизмы, которые могут управлять сами собой. Если не это суперсила, я даже и не знаю, что это тогда.
Andrew Ng, основатель Coursera, профессор Стэнфордского университета, бывший главный научный сотрудник Baidu и основатель Google Brain
По прогнозу Fortune Business Insights, объём мирового рынка искусственного интеллекта к 2027 году достигнет $266,9 млрд
Беспилотники, диагностика патологий по медицинским снимкам, мгновенный перевод, генерация текстов и голосовые помощники, имитирующие человеческую речь, — эти достижения в мире науки и технологий стали возможны благодаря глубокому обучению.
Программистам
Разберётесь в инструментах машинного обучения, разовьёте системное мышление и сможете проявить себя в новой сфере
Аналитикам и дата-сайентистам
Углубите знания и навыки и начнёте решать принципиально новые задачи. Повысите свою ценность на рынке труда
Уметь программировать на Python, знать библиотеки Pandas, NumPy, Scikit-learn
Разбираться в основах и типах задач машинного обучения
Владеть терминологией и понимать основные метрики машинного обучения: accuracy, precision, recall, MSE
Работать с многомерными свёртками
Освоите инструменты Padding&stride, Pooling и LeNet. AlexNet, VGG, NiN, GoogLeNet, ResNet и DenseNet
Генерировать тексты и изображения
Научите компьютер создавать картины и литературные произведения, вдохновляясь великими мастерами своего дела
Реализовывать NLP с нуля
Сможете строить классические RNN, GRU и LSTM и Encoder-Decoder-архитектуры. Познакомитесь с ячейками (GRU/LSTM) и эмбедингами
Находить объекты на картинке
Будете решать прикладные задачи: Object Detection, Object Localization, Bounding boxes и AnchorBoxes. Углубитесь в CNN
Отличать дескриминатор от генератора
Обучите генератор выбирать данные из линейной регрессии. Реализуете сеть генерации покемонов и обучите её
Строить языковые модели
Познакомитесь с NER и машинным переводом: от Word2Wec до определения тональности и преобразования текста
За время обучения вы подготовите 15 домашних заданий и итоговую работу
38 часов теории и 65 часов практики
● Программа повышения квалификации
● Занятия проходят по расписанию не чаще 2 раз в неделю после 19:00 МСК
● На лекции и практические задания понадобится 10 часов в неделю
● Записи вебинаров, видеолекции и другие полезные материалы хранятся в личном кабинете
Основы нейронных сетей
Познакомитесь с базовыми элементами нейронной сети. Научитесь строить простые модели для решения задач регрессии и классификации.
3 часа теории
3 часа практики
Линейная регрессия
Логистическая регрессия
Построение простой нейронной сети
Многослойная нейронная сеть
Узнаете принципы построения многослойной нейронной сети. Поймёте, как оценить качество обучения. Познакомитесь с понятием переобучения нейросети, изучите разные методы оптимизации нейронных сетей: градиентный спуск и его основные модификации. Изучите основные способы регуляризации нейронных сетей: ранняя остановка, L1/L2, dropout, batch normalization.
3 часа теории
3 часа практики
Многослойный персептрон
Оценка качества модели
Градиентный спуск и его модификации
Регуляризация нейронных сетей
Свёрточные сети
Узнаете, как работает свёрточная операция. Разберётесь, как повысить устойчивость сетей к сдвигам и трансформациям с помощью пулинга (pooling). Познакомитесь с первой свёрточной сетью LeNet.
2 часа теории
3 часа практики
Что такое свёрточная операция и как она работает
Padding и stride
Pooling
LeNet
Архитектуры свёрточных сетей
Познакомитесь с различными архитектурами свёрточных сетей: LeNet, AlexNet, VGG, NiN, GoogLeNet, ResNet.
2 часа теории
3 часа практики
Архитектуры свёрточных сетей:
LeNet
AlexNet
VGG
Network in network (NiN)
GoogLeNet
Residual Network (ResNet)
DenseNet
Улучшение качества обучения нейросетей
Научитесь использовать в коде различные методы аугментации и Transfer Learning для улучшения обучения сети.
2 часа теории
3 часа практики
Аугментации
Динамическое изменение learning rate (LR Schedulers)
Transfer learning: fine tuning, feature extractors
Архитектуры Feature extractors: VGG, EfficientNet, MobileNet
Рекуррентные сети
Поймёте, как построить языковые модели. Узнаете, зачем нужны рекуррентные нейронные сети и как они работают. Рассмотрите виды рекуррентных нейронных сетей: GRU и LSTM. Сгенерируете текст при помощи нейросети. Узнаете, как строить более глубокие RNN. Познакомитесь с двунаправленными RNN (bidirectional RNN). Узнаете о возможностях Residual Connections для RNN. Изучите архитектуру модели Encoder-decoder, познакомитесь с понятием информационный bottleneck. Потренируетесь решать задачи машинного перевода на основе рекуррентных сетей.
8 часов теории
9 часов практики
Языковые модели
Обучение рекуррентных нейросетей
GRU и LSTM
Генерация текста
Deep RNN
BiRNN
Residual Connections
Encoder-Decoder архитектура
Машинный перевод
Механизм внимания
Познакомитесь с механизмом внимание (attention) и его основными видами: dot-product, линейная модель, аддитивная модель, self-attention и multi-head attention. Изучите два способа реализации внимания: на скалярном произведении и на MLP. Узнаете, как attention привёл к появлению архитектуры Transformer.
2 часа теории
3 часа практики
Виды внимания
Трансформер
Компьютерное зрение
Изучите основные датасеты и метрики качества для решения задач визуального обнаружения объектов и распознавания изображений. Познакомитесь с подходами к детектированию объектов: Region Based, YoLo, SSD. Узнаете, что такое семантическая сегментация. Познакомитесь с архитектурами SegNet и U-Net. Узнаете различные методы модификации изображений: технология Deep dream, матрица Грама, генерация текстур, Neural style transfer.
7 часов теории
9 часов практики
Задача детекции
Архитектуры Region Based, YoLo и SSD
Семантическая сегментация
Архитектуры SegNet и U-Net
Модификации изображений
Работа с текстом
Познакомитесь с понятием «векторное представление слов» (word embedding) и основными методами построения векторов слов: SVD, Word2vec. Узнаете, что такое transfer learning и как оно используется в NLP. Познакомитесь с основными предобученными текстовыми моделями: ELMo, BERT и его вариациями, GPT. Сможете решать задачи классификации, межъязыкового семантического поиска и генерации продолжения текста.
4 часа теории
6 часов практики
Векторные представления слов
Сингулярное разложение (SVD)
Word2Wec
FastText
Модель ELMo
BERT и его вариации
GPT
Генеративные состязательные сети (GAN)
Научитесь применять обычные и вариационные автоэнкодеры и строить архитектуру генеративных состязательных сетей (Generative Adversarial Networks, GAN). Создадите генератор лиц аниме с использованием GAN. Познакомитесь с глубоким обучением с подкреплением.
3 часа теории
3 часа практики
Автоэнкодеры
Вариационные автоэнкодеры (VAE)
Генеративные состязательные сети (GAN)
Типы генеративных состязательных сетей
Проблемы генеративных состязательных сетей
Глубокое обучение с подкреплением
Итоговый проект
Вы самостоятельно выбираете задачу и тему проекта и работаете над ним под руководством преподавателей курса. В результате защитите диплом перед экспертом.
2 часа теории
20 часов практики
Для HR и руководителей
Для сотрудников
● Подготовим аргументы и шаблон письма для HR или руководителя
● Оформим оплату от компании — договор, счёт и документы на стороне Нетологии
● Адаптируем программу, оформим договор и предоставим отчётность
по обучению
● Предложим выгодные условия для группы сотрудников
Как проходит обучение
Deep Learning Expert
Ключевые навыки
Строить простые модели для решения задач регрессии и классификации
Находить объекты на изображениях
Обучать языковые модели
Работать с механизмом внимания
Применять подходы к улучшению качества сетей
Решать задачи машинного перевода на основе рекуррентных сетей
Использовать различные методы модификации изображений
Решать задачи классификации, межъязыкового семантического поиска и генерации продолжения текста
Инструменты
Многослойные нейронные сети
Многослойные нейронные сети
Основные виды градиентного спуска, включая Adam, RMSProp, Momentum, SGD. Регуляризация, DroupOut и BatchNorm на примере классификации MNIST
Свёрточные сети и архитектура
Свёрточные сети и архитектура
Свёртки и методы Padding & stride, Pooling и LeNet применительно к AlexNet, VGG, NiN, GoogLeNet, ResNet. Аугментация и TransferLearning. Языковые модели в RNN, GRU и LSTM
Алгоритмы внимания
Алгоритмы внимания
Понимание идеи attention. Dense-Attention для encoder-decoder архитектуры. Beam-Search
Компьютерное зрение
Компьютерное зрение
Сегментация vs Object Detection vs Object Localization и Bounding boxes vs AnchorBoxes. SSD и все продуктивные CNN. Семантическая сегментация и подготовка датасетов. Перенос стилей
Работа с текстом
Работа с текстом
Embeddings, Word2Wec, FastText, Glove и языковые модели. Обучение классификатора для прогнозирования вероятности следующего слова. Решение задач NER. Архитектуры Transformer, Bert, Elmo
GAN
GAN
Понимание базовой архитектуры, идеи дискримиантора и генератора. Очень много практики на генерацию изображений и объектов
Ваши навыки подтвердит удостоверение о повышении квалификации
Мы обучаем по государственной лицензии и выдаём документы установленного образца.
Рекомендуем программу МФТИ и Нетологии «Руководитель проектов в области искусственного интеллекта»
За 3,5 месяца вы научитесь применять методы и инструменты ИИ для решения задач бизнеса, государства и общества
Все уроки теперь и в мобильном приложении
Мы разработали платформу для смартфонов, чтобы вы могли учиться в спортзале, на даче или в пути.
Учитесь, где нравится
Доступ к учебным материалам всегда под рукой: это экономит ваши ресурсы
Занимайтесь даже без интернета
Можно скачать материалы на телефон и учиться даже там, где плохая связь
Получайте подсказки по дедлайнам
Приложение работает как помощник: напомнит про домашнюю работу или вебинар
Загружайте задания с телефона
Удобно отслеживать статус практических работ и отвечать на комментарии преподавателя
Вернём деньги
В течение первых трёх занятий вернём вам полную сумму, а начиная с четвёртого — рассчитаем сумму возврата или поможем выбрать другой курс взамен. Читать условия
Поможем оформить налоговый вычет — 13%
Вы можете получить вычет в течение трёх лет после даты оплаты обучения, если работаете официально и платите подоходный налог
Поменяем программу обучения
Если сомневаетесь или вам не подошла профессия — можете выбрать другую. Сменить курс можно один раз в процессе обучения
Идите к нам под зонтик
Цена уже со скидкой. Оплатите курс до 15 сентября, чтобы сохранить выгоду.
1Запись на обучение
2Выбор способа оплаты
3Оплата
...
Частями без переплат
2 808 ₽/месяц
5 106 ₽ на 18 месяцев
Одним платежом
со скидкой 10%
45 500
₽91 921 ₽
Вернём деньги, если обучение не подойдёт
Возможность получить налоговый вычет — 13%
3 месяца обучения, старт 14 сентября
Deep Learning
Частями без переплат
2 808 ₽/месяц
5 106 ₽ на 18 месяцев
Одним платежом
со скидкой 10%
45 500
₽91 921 ₽
Вернём деньги, если обучение не подойдёт
Возможность получить налоговый вычет — 13%
Запишитесь на курс
Как оформить рассрочку, какие условия предоставления рассрочки?
Рассрочку без переплат можно оформить через Сбер, Т-Банк и другие банки-партнёры на сроки от 6 до 36 месяцев. Решение о предоставлении рассрочки принимает банк.
Что такое оплата частями?
Оплата частями — сервис, который помогает разбить стоимость покупки на равные части и выплачивать их в течение нескольких месяцев (от 2 до 24). Покупателю не нужно заключать кредитный договор. При использовании этого сервиса возможна переплата.
Развивайте профессиональные навыки в онлайн-формате