Подпишитесь на телеграмм-канал про ИИ в образовании: Егошин | Кеды профессора
Сложность
Сложность
Продвинутый
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
С проверкой домашнего задания
Трудоустройство
Трудоустройство
Содействие
Сертификат
Сертификат
Да

Стоимость курса

37 990 ₽
есть рассрочка

Нейронные сети - прочно закрепившаяся современная технология обработки контента. На сегодняшний день многие компьютерные IT корпорации используют эту технологию для создания компьютерных роботов, чат-ботов. Наиболее известные из них Alexa (Amazon), Siri (Apple), Алиса(Yandex), O'key Google, Google Translate (Google) созданы именно с использованием данной технологии.

В данном курсе будет рассмотрен ряд нейронных сетей реализованных средствами Python с использованием библиотеки Tensorflow, а именно PyTorch, разработанной в 2017 году. Данные алгоритмы составляют базу для решения задач по компьютерному зрению и чтению, но не исчерпывают ее, поскольку область эта непрерывно развивается и совершенствуется.

Курс рекомендован:

программистам Python, специалистам в области Data Science

Вы научитесь:

- взаимодействовать с тензорами в Python
- познакомитесь с основами PyTorch
- углубите свои знания по Python
- познакомитесь с обработкой изображений средствами нейронных сетей и Python
- познакомитесь с обработкой речи и текста

Что вы получите после обучения

Приобретаемые навыки
2
Обработка изображений
3
Обработка текста и речи
4
Cверточные нейронные сети
5
Взаимодействие с тензорами
Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Преподаватель-практик с 25-летним опытом работы в области информационных технологий. Эксперт в Full-Stack разработке веб-систем с применением (MySQL, PHP/Python, nginx, HTML5), анализе и визуализации данных средствами Python (Pandas, SKLearn, Keras), разработке...
Преподаватель-практик с 25-летним опытом работы в области информационных технологий. Эксперт в Full-Stack разработке веб-систем с применением (MySQL, PHP/Python, nginx, HTML5), анализе и визуализации данных средствами Python (Pandas, SKLearn, Keras), разработке интерфейсов обмена данными между системами с использованием технологий REST, SOAP, EDIFACT, администрирования веб-серверов на Debian GNU Linux (php/nginx/mariadb), создании технической и пользовательской документации (на русском и английском языках).
Прошел полный путь от линейного разработчика до ИТ-директора собственной компании. За 25 лет создал около 20 корпоративных информационных систем/баз данных, более 50 прототипов, 30 веб-сайтов разного объема и наполнения. Работал над крупными проектами для таких компаний, как Maersk, Toyota, Nissan, «Россия-он-Лайн», «Гласнет». На протяжении 5 лет входит в ТОП-10 разработчиков по РФ на phpClasses.org.
Преподаватель курсов по нейронным сетям, а также по технологиям машинного обучения. Разносторонний специалист, который совмещает интерес к науке и уже достаточно обширный опыт практика. Своими знаниями он готов делиться со...
Преподаватель курсов по нейронным сетям, а также по технологиям машинного обучения. Разносторонний специалист, который совмещает интерес к науке и уже достаточно обширный опыт практика. Своими знаниями он готов делиться со слушателями.
Сегодня он – специалист в области Data Science и аналитик данных. Владеет стеком современных технологий Python, Clickhouse, Spark (PySpark), scikit-learn, Pandas, NLTK, PyTorch + HuggingFace и DeepPavlov. Занимается нейронными сетями и технологиями машинного обучения.
Илья Николаевич – выпускник Московского инженерно-физического института, занимался медицинской физикой. Изучал когнитивные науки и психофизиологию в НИУ ВШЭ. Его научные исследования посвящены задачам классификации и предсказанию временных рядов, имеет публикации, в том числе на английском языке. Также вел работу в области медицины и психофизиологии, занимался лучевыми методами исследований.
Преподаватель курсов Python, курсов по нейронным сетям, основам статистики и анализу данных, машинному обучению, Microsoft Excel и IBM SPSS Statistics. Также ведет курсы по управлению большими данными и основам работы...
Преподаватель курсов Python, курсов по нейронным сетям, основам статистики и анализу данных, машинному обучению, Microsoft Excel и IBM SPSS Statistics. Также ведет курсы по управлению большими данными и основам работы с Azure AI.
Выпускник МГУ им. М.В. Ломоносова (факультет вычислительной математики и кибернетики), Владимир Игоревич имеет ученую степень доктора экономических наук и звание профессора. Работает по специальности около 30 лет, из них более 25 лет посвятил преподаванию. В том числе заведует кафедрой «Прикладной искусственный интеллект» Московского технического университета связи и информатики, а также преподает в Финансовом университете при Правительстве РФ на кафедре искусственного интеллекта.
Член рабочей группы «Наука, инновации и цифровая экономика» Экспертного совета при Правительстве РФ, член Российского союза IT-директоров. Награжден почетной грамотой Министерства высшего образования и науки РФ, имеет благодарность itSMF, четыре премии «Проект года» официального сообщества IT-директоров России Global CIO и ряд других профессиональных наград.
Неоднократно проходил повышение квалификации: в корпоративном университете Сбербанка (программа дополнительного образования «Летняя цифровая школа», трек «Наука о данных»), Университете «Иннополис» (программа повышения квалификации «Прикладной искусственный интеллект»), Московской школе управления СКОЛКОВО (программа дополнительного образования «Новые лидеры высшего образования»), Союзе ИТ-директоров России (программа переподготовки руководителей ИТ-служб «Высшие курсы ИТ-директоров»), IEDC – Bled School of Management (Словения, программа профессиональной переподготовки Finance). Прошел две стажировки в Microsoft (Редмонд), две стажировки в Microsoft IoT Lab (Мюнхен) и в Microsoft CIO Academy. Также проходил множество краткосрочных программ повышения квалификации.
Имеет сертификаты
Владеет профессиональными стандартами «Специалист по большим данным», «Специалист по моделированию, сбору и анализу данных цифрового следа», «Менеджер по информационным технологиям», ITIL/ITSM, COBIT, PMBoK, DMBoK, KDD, CRISP-DM, Data Driven Scrum, Waterfall-Agile.
Завершил в качестве руководителя несколько сотен проектов разработки и внедрения систем искусственного интеллекта в крупных и средних организациях. Реализовал проекты внедрения ИИ в Сбере, РЖД, Газпромбанке, ВТБ, РЕСО-Гарантия, Альфа-Капитал и т.д. на общую сумму в несколько сотен миллионов рублей. Именно поэтому рассказывает слушателям о технологиях машинного обучения и обработки данных на основе сочетания теории с практическим опытом.
Подготовил несколько тысяч специалистов по искусственному интеллекту, в том числе одного доктора наук, трех кандидатов наук, более 200 бакалавров и магистров в качестве руководителя.
Имеет ряд патентов и публикации в научных изданиях. Также является соавтором нескольких учебных пособий.

Образовательная организация

  • Ведущий компьютерный учебный центр России с высочайшим уровнем качества обучения, сервиса и организации учебного процесса
  • Лучший учебный центр авторизованный Microsoft в России, Центральной и Восточной Европе в 2011-2014 гг
  • Центр «Специалист» — первый в России авторизованный учебный центр по обучению Adobe — Adobe Authorised Training Centre
  • Крупнейший авторизованный учебный центр ведущих IT-компаний мира
  • С 2012 г. Центр «Специалист» входит в «Круг совершенства EC-Council»

Программа курса

Модуль 1. Введение в Pytorch и тензоры (4 ак. ч.)

- Введение в курс
- Введение в нейронные сети
- Что такое PyTorch?
- Зачем использовать тензоры?
- Технические требования
- Облачные возможности
- Что такое тензоры
- Операции с тензорами
- Практикум по теме

Модуль 2. Классификация изображений (4 ак. ч.)

- Средства загрузки и обработки данных в PyTorch
- Создание тренировочного набора данных
- Создание проверочного и тестового набора данных
- Нейронная сеть как тензоры
-  Активационная функция
- Создание сети
- Функция потерь
- Оптимизация
- Практикум, реализация на GPU

Модуль 3. Cверточные нейронные сети (6 ак. ч.)

- Построение простейшей сверточной нейронной сети в PyTorch
- Объединение слоев в сети (Pooling)
- Регуляризация нейронной сети (Dropout)
- Использование натренированных нейронных сетей
- Исследование структуры нейросети
- Пакетная нормализация (Batchnorm)
- Практикум по теме

Модуль 4. Использование и передача обученных моделей (5 ак. ч.)

- Использование ResNet
- Отбор по скорости обучения
- Градиент скорости обучения
- Расширение данных для переобучения
- Использование преобразователей Torchvision
- Цветовые и лямда преобразователи
- Пользовательские преобразователи
- Ансамбли
- Практикум по теме

Модуль 5. Классификация текста (5 ак. ч.)

- Рекуррентные нейронные сети
- Нейронные сети с памятью
- Библиотека Torchtext

Рейтинг курса

4.2
рейтинг
0
0
0
0
0

Может быть интересно

обновлено 04.12.2024 09:37
Нейронные сети. Компьютерное зрение и библиотека PyTorch

Нейронные сети. Компьютерное зрение и библиотека PyTorch

Оставить отзыв
Поделиться курсом с друзьями