Курс Deep Learning | ITEA Dnipro

Курс Deep Learning

Старт навчання
Старт курсу запитуйте в адміністрації
48 год. по 2-3 рази на тиждень

Опис курсу

Основна ідея цього курсу полягає в тому, аби опанувати глибоке навчання за допомогою сучасних технологій для розв’язання задач обробки природної мови та комп’ютерного зору.

— 

Тому цей курс складається з наступних тематичних частин:

  • Обробка природної мови (NLP) (2-7 модулі)
  • Комп’ютерний зір (8-14 модулі)
  • Оптимізація нейронних мереж і використання на виробництві (15-16 модулі).

Основним робочим інструментом є PyTorch.

— 

Курс може бути корисним ML-спеціалістам, які тільки починають і цікавляться комп’ютерним зором та обробкою природної мови. Рекомендовано (але не обов’язково) проходити курси з Data Science/Machine Learning Fundamentals та Python for Data Science або їхні аналоги.

Після курсу Ви зможете:

  • Використовувати нейронні мережі для вирішення реальних задач обробки природної мови та комп’ютерного зору.
  • Користуватися фреймворком PyTorch, бібліотеками Hugging Face та OpenCV.

Програма курсу:


1. Вступ до глибокого навчання (DL)

  • DL для задач обробки природньої мови (NLP) та комп’ютерного зору (CV). Інші прикладні галузі
  • Що таке нейронна мережа (NN)?
  • Компоненти NN. Перцептрон
  • Як навчається NN? Градієнтний спуск
  • Функція втрат. Пряме і зворотне розповсюдження

2. Основи PyTorch

  • Проста NN у PyTorch
  • Функції активації. Приховані шари VS вихідні шари
  • Методи регулярізації. Рання зупинка. Dropout
  • Залишкові з'єднання

3. Ембединги

  • Представлення тексту у вигляді векторів
  • Класичні алгоритми ембедингів для завдань NLP
  • Word2vec, GloVe, fastText

4. Текст як послідовність

  • RNN, LSTM, GRU

5. Моделі послідовності до послідовності (seq-to-seq)

  • Bi-directional LSTM
  • Моделі encoder-decoder

6. Transformers

  • Attention. Encoder, decoder. Self-attention
  • BERT vs GPT-2

7. Поширені завдання NLP з використанням Transformers

  • Класифікація текстів
  • Відповідь на запитання
  • Семантичний пошук

8. Генеративні моделі

  • Перефразування, сумаризація тексту
  • Великі мовні моделі (LLMs)

9. Згорткові нейронні мережі

  • Класифікація зображень
  • Попередня обробка зображень. Аугментація

10. Трансфер навчання

  • LeNet, AlexNet, VGGNet, Inception, ResNet, EfficientNet

11. Детекція об'єктів

  • R-CNN, YOLO, SSD

12. Семантична сегментація, об'єктна сегментація

  • UNet, Mask R-CNN, YOLACT

13. Генерація зображень

  • Автокодери. GAN
  • Передача нейронного стилю

14. Diffusers

  • Текстове підсумування зображення
  • Text-to-Image
  • Production

15. Оптимізація NN

  • Налаштування гіперпараметрів
  • Прискорення тренування. Накопичення градієнта
  • Контрольні точки градієнта. Змішана середня точність

16. Розгортання

  • FastAPI
  • Моніторинг моделей у виробництві

Мінімальні вимоги:

  • Наявність власного ноутбука для занять в аудиторіях
  • Пройдений курс «Python для Data Science»

* Примітка: зазначені знижки не сумуються з іншими діючими акціями та спеціальними пропозиціями. Знижка застосовується тільки до нових заявок та при умові повної оплати курсу. Якщо у Вас виникли питання, звертайтеся за консультацією до наших менеджерів!

spinner-it

Курс на IT — повний вперед! Дізнатись актуальний розклад

На жаль, у звязку з війною ІТЕА завершила свою діяльності в Україні.

This will close in 20 seconds