1-й модуль
День первый
Вводное занятие
- Введение в понятие машинного обучения, какие задачи могут решаться с помощью алгоритмов машинного обучени
- Повторение Python
День второй
Введение в теорию нейронных сетей
- Функции активации
- Умножение матриц
День третий
Простейшая модель нейрона
- Продолжаем повторение Python
- Знакомство с библиотекой numpy
- Основные концепции машинного обучения
- Метод линейной регрессии
День четвертый
Перцептрон
- Основы математической логики и линейной алгебры
- Простейшая модель нейрона- перцептрон
- Начальные веса, входы и смещение
2-й модуль
День первый
Обучение перцептрона
- Изменение весов
- Подбор данных для обучения
- Обучение перцептрона
День второй
Улучшение модели
- Используем более продвинутые активационные функции
- Сигмоида, tanh, ReLu, Softplus
День третий
День четвертый
Работа над нейронной сетью для своей задачи
- Анализ задачи
- Подбор обучающей выборки данных
- Построение модели
3-й модуль
День первый
Модель Adaline
- Адаптивные линейные нейроны
- Сравнение точности Adaline и Перцептрона
День второй
Градиентный спуск
- Используем более продвинутые активационные функции
- Сигмоида, tanh, ReLu, SoTplus
- Градиентный спуск
День третий
Библиотека для работы с данными Pandas
- Получение данных из файлов разных форматов
- Выборка
- Сортировка
- Агрегирование и группировка
День четвертый
Библиотека для построения графиков Matplotlib
- Построение графиков по набору данных
- Отображение в виде графика показателей нейронной сети
- Трехмерные графики
4-й модуль
День первый
День второй
Распознавание изображений
- Получение набора данных библиотеки Mnist
- Обучение сети
- Распознавание изображение цифр
- Тестирование сети на своих собственных изображениях
День третий
День четвертый
Эволюционный подход обучения нейронных сетей
- Начальные элементы
- Настройка параметров популяции
- Метод отбора
- Мутации
- Анализ результатов обучения
5-й модуль
День первый
Объектно-ориентированная парадигма программирования
- Классы
- Объекты
- Атрибуты
- Методы
День второй
Игра с использованием ООП
- Написание простой классической игры ‘Змейка’
- Метод управления для игрока
- Поощрение модели
- А/Б тестирование
День третий
Использование “искусственного интеллекта” в игре
- Управление змейкой
- Модель обучения без памяти
День четвертый
Обучение с использованием памяти
- Коэффициенты корректировки
- Сохранение ходов в памяти
- Сравнение с моделью без памяти
6-й модуль
День первый
Знакомство с интерактивной оболочкой Jupyter Notebook
- Установка
- Содержимое ячеек
- Режимы выполнения кода
- Интерактивные элементы и графики
День второй
Использование Jupyter Notebook для машинного обучения
- Загрузка данных
- Обучение модели
- Отображение результатов
- Отладка и тестирование
День третий
Использование облачных вычислений в Google Colab
- Интеграция в проект
- Замеры производительности
- Использование тензорных ядер
День четвертый
Знакомство с библиотекой̆Tensorflow
- Установка библиотеки
- Подготовка данных для работы
- Встроенные в библиотеку модели нейронов
7-й модуль
День первый
Принципы работы Tensorflow
- Граф вычислений
- Входные параметры и веса
- Функция ошибки
День второй
Принципы работы Tensorflow
- Встроенные оптимизаторы
- Функции активации
- Слои сети
День третий
День четвертый
Разработка проектов
- Обсуждение идей
- Выбор технологий
- Декомпозиция задачи
- Подготовка данных
- Построение модели
- Обучение
- Тестирование
- Презентация