Deep Learning

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.

Эндрю ЭнЖи основатель Coursera, профессор Стэнфордского университета; бывший главный научный сотрудник Baidu и основатель Google Brain

Чему вы научитесь на курсе

Работать с многомерными свёртками

Padding & stride, Pooling и LeNet. AlexNet, VGG, NiN, GoogLeNet, ResNet и DenseNet станут рабочими инструментами, а не запросами в поисковике курсе

Управлять историей

И это не только про ваш прогресс в обучении: овладеете конкурентным преимуществом в задачах с использованием Beam-Search и Teacher Forcing

Реализовывать NLP с нуля

От классических RNN, GRU и LSTM до топовых Encoder-Decoder архитектур. Токенизация, словари, символы и подробный разбор различных реализаций сетей

 

State-of-art сегментации

Готовы к прикладным задачам: 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

NLP в 2019 году растет быстрее остальных сетей. NER и машинный перевод: от Word2Wec до определения тональности и преобразования текста

Добавите более 20 рабочих проектов в портфолио

От персептрона до GAN'ов: только практические кейсы

Гибкая учебная траектория, поддержка сообщества экспертов, консультации с ментором

Как будем учиться

10+ часов в неделю интенсивных уроков и практики с экспертами отрасли

5 предметных областей, освоенных на прикладных задачах

40 практических заданий с обратной связью от преподавателей

1000+ активных экспертов, менторов, студентов сообщества Data Science Нетологии 

14 проектов в портфолио и выпускной MVP-проект

1 после защиты диплома выдаём удостоверение о повышении квалификации 

Дипломная работа по RNN

Искусственный интеллект, выживающий в экстремальных условиях (на примере ядовитого озера в игре Doom). Реализуем градиентные политики, которые переводят состояние в действие, вместо традиционных функций значения, которые сообщают нам, какова ожидаемая сумма наград

Дипломная работа по текстам

Чат-бот, поддерживающий переписку с человеком. Выбор методов широк: от двунаправленного LSTM до Transfer Learning; от Sequence-toSequence моделей с с многоцелевым механизмом внимания до одного из многочисленных GAN'ов

Дипломная работа по изображениям

Восстановление 3D-модели по набору фотографий с разных ракурсов, в том числе невидимых частей. Благодаря архитектуре CNN, выполним прямую регрессию объёмного представления трёхмерной геометрии объекта из 2D-изображения

Что вы получите в результате обучения

Достигнутые результаты

• Применил все 5 методов градиентного спуска к логистической регрессии. Реализовал график функции потерь в зависимости от эпохи
• Обучил многослойный персептрон с DroupOut и регуляризацией
• Построил модель авторегрессии и спрогнозировал функцию синус
• Реализовал собственную RNN Cell и обучил языковую модель
• Выбрал оптимальную Encoder-Decoder архитектуру для задачи внимания (Attention)
• Реализовал State-of-art сегментацию для задач Object Detection
• Применил FCN и UNet к задаче сегментации
• Реализовал распознавание номеров домов
• Предсказал вероятность выпадения следующего слова на основе цепей Маркова
• Реализовал и обучил сеть генерации покемонов

Инструменты и навыки, которые вы освоите

Многослойные нейронные сети

Все виды градиентного спуска, включая Adam, RMSProp, Momentum, SGD. Регуляризация и DroupOut на основе MNIST

Свёрточные сети и архитектура

Свёртки и методы Padding & stride, Pooling и LeNet применительно к AlexNet, VGG, NiN, GoogLeNet, ResNet, DenseNet, densenet, mobilenet. Аугментация и TransferLearning. Языковые модели в RNN, GRU и LSTM. Декодер Teacher Forcing

Алгоритмы внимания

Понимание идеи attention'а. Dense-Attention для encoder-decoder архитектуры. Beam-Search и диалоговые боты

Компьютерное зрение

Сегментация vs Object Detection vs Object Localization vs Bounding boxes vs AnchorBoxes. SSD и все продуктивные CNN. Семантическая сегментация и подготовка датасетов. Перенос стилей

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

Понимание базовой архитектуры, идеи дискримиантора и генератора. Очень много практики на генерацию изображений и объектов

Вашу квалификацию подтвердят документы установленного образца

Развитие карьеры

Каждый выпускник получает помощь и поддержку Центра развития карьеры

• Помощь в подготовке резюме и прохождении собеседования
• Консультация с HR-специалистом по поиску работы и развитию вашей карьеры
• Возможность прохождения стажировки в проектах Нетологии-групп: Фоксфорд, Нетология, EdMarket
• Регулярное информирование об открытых вакансиях в компаниях-партнерах
• Бесплатный доступ к подборке видеокурсов по поиску работы и soft skills для всех студентов