Чему вы научитесь
- После успешного освоения курса вы будете знать:
- математические основы нейронных сетей;
- понятие тензора;
- понятия функций активации и потерь и их выбор для задач классификации и регрессии;
- что значит оптимизация на основе градиента;
- что такое нейрон смещения и какова его роль;
- примеры применения предобученных моделей;
- основные подходы для генерации текста, изображений и передачи стиля;
- концепцию автоматического машинного обучения (AutoML;
- возможности и ресурсы платформы Kaggle - веб-сайта для специалистов в области машинного обучения и Data Science.
- Уметь:
- создавать код, используя сервис Google Colaboratory;
- манипулировать тензорами с помощью библиотеки Numpy и выполнять операции с тензорами;
- подготовить собственные данные для нейронной сети и использовать готовые датасеты;
- применять технику аугментации для расширения данных;
- разрабатывать модели нейронной сети для решения задачи классификации и регрессии;
- применять предобученные модели для задачи классификации;
- сравнивать эффективность моделей нейронной сети, используя матрицу путаницы и метод перекрестных К-блоков;
- реализовывать генерацию текста, изображений и передачу стиля при помощи фреймворка Keras;
- принимать участие в соревнованиях на платформе Kaggle.
О курсе
Курс разработан в рамках проекта, реализуемого победителем грантового конкурса для преподавателей магистратуры 2021/2022 Стипендиальной программы Владимира Потанина.
Рассмотрены принципы построения полносвязных и сверточных моделей нейронных сетей (НС) и их применение для задач классификации изображений, начиная с подготовки данных. Особое внимание уделено оценке качества модели НС; применению предобученных моделей; генерации текста и изображений с помощью НС; участию в соревнованиях на платформе Kaggle.
Для кого этот курс
Курс является онлайн поддержкой дисциплины "Теоретические основы искусственного интеллекта" для магистрантов 1-го курса, обучающихся по программе "Искусственный интеллект" (ИРНИТУ).
Курс не претендует на полноту изложения теоретического материала.
Будет полезен всем желающим для погружения в основы компьютерного зрения, решение задачи регрессии с помощью нейронных сетей, генерации текста и изображений.
Начальные требования
Основы программирования на Python.
Преподаватели курса
9 333
Как проходит обучение
В курс входит:
- марафон, на котором вы определитесь, что уже знаете, а что нужно повторить или изучить в сфере программирования, фреймворков машинного обучения и других полезных библиотек;
- тесты на усвоение пройденного материала;
- практические задания и мини-проекты;
- задачи разного уровня, включая исследовательские.
В процессе обучения вы получаете поддержку от преподавателя и обратную связь от других участников курса.
Что вы получите
- навыки и знания востребованные работодателем;
- возможность понять теорию через применение ее на практике;
- доступ к форуму решений;
- поддержку преподавателей;
- обратную связь от преподавателей и других участников курса;
- проекты в портфолио - решение задач регрессии, классификации, генерации текста, изображений и передачи стиля.