Станьте data scientist-ом и зарабатывайте
до 100.000 рублей в месяц
Курс "Data science и нейронные сети для новичков"
Нажимая кнопку, я даю согласие на обработку персональных данных и соглашаюсь c политикой конфиденциальности и договором оферты.
Для тех, кто хочет
стать программистом
Вы уже программист? У нас есть специальный курс для Вас!
Длительность - 9 месяцев
Вас ждёт 9 месяцев занятий и +2 месяца на защиту диплома и экзамен
1.
Старт 4 мая
Курс стартует 4 мая и будет идти дальше по понедельникам
2.
39 занятий
Вы пройдёте 39 онлайн занятий
и выполните 39 практических заданий
3.
3
Мы работаем по лицензии Министерства образования РФ и выдаём полноценный диплом о переквалификации
Диплом установленного образца
4.
5.
Стоимость
от 34.900р
Есть рассрочка 0% на 6-12 месяцев
Посмотрите короткое видео и узнайте всё
об Университете
Получите курс «Введение в искусственный интеллект» в подарок
+ получите 2 курса в подарок
Дополнительно курс
в подарок
Отзывы о курсе
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Оставьте заявку, и вам перезвонит менеджер
Нажимая на кнопку, я соглашаюсь с политикой конфиденциальности.
Что будет результатом обучения
Вы станете data scientist-ом за 9 месяцев и трудоустроитесь с зарплатой 70-100 тысяч
Сильные навыки написания нейронных сетей
За 9 месяцев вы освоите более 28 реальных нейронных сетей: от самых простых до новейших и наиболее сложных нейронных сетей
Реализованные нейросетевой проект для себя или своей компании
Вы получите неограниченное количество консультаций
и за время курса реализуете
свой нейросетевой
проект
Портфолио, диплом и рекомендации для трудоустройства
Вы получите всё необходимое для трудоустройства в области машинного обучения или для получения более интересных задач и большей зарплаты на текущем месте
Гарантия трудоустройства
Мы гарантируем ваше трудоустройство в договоре по специальности Data scientist или сопутствующей, с зарплатой от 70 до 100 тысяч рублей в месяц
За счёт чего вы сможете трудоустроиться
По итогам курса вы будете не только сильным специалистом, но и получите поддержку в трудоустройстве
Наш курс рассчитан так, что на выходе вы будете сильным специалистом, будете уметь всё, что требуется на рынке. В конце курс вы будете писать самые современные и сложные нейронные сети. Вы будете уметь решать 99% задач, которые востребованы на рынке

Более того, вы не только станете специалистом, но и сможете подтвердить это своим портфолио. В портфолио у вас будет дипломный проект, курсовой проект и более 20 нейронных сетей, которые вы реализуете в процессе обучения
Стажировка и трудоустройство в компании-партнёры Университета
У Университета есть компании-партнёры, например: Сбербанк, Фармасинтез, Медиалогия, VisorLabs и Айтеко
Эти компании ждут от нас ваши резюме сразу после завершения курса
Более того, уже во время обучения вы сможете пройти стажировку в некоторых из них и в самом Университете искусственного интеллекта
После стажировки, компании смогут сделать вам оффер с выходом на постоянную работу (в том числе, вы сможете устроиться в команду разработчиков Университета)
Диплом и рекомендации
Вы получите диплом установленного образца. Это полноценный диплом. Мы выдаём его по лицензии №039884 Министерства образования РФ.
Это будет весомым плюсом для вашего трудоустройства, так как будет подтверждать то, что вы получили полноценное образование в профильной образовательной организации.
В дополнение к диплому мы дадим вам индивидуальную рекомендацию на официальном бланке с печатью и подписью
Высочайшее качество обучения и портфолио
С этими компаниями у нас есть договорённость, что мы отправляем им ваши резюме
Наши компании партнёры
Наш HR-отдел полностью сопроводит вас в трудоустройстве
Как мы помогаем в трудоустройстве
Подготовка резюме и портфолио
Мы созвонимся с вами, подробно расспросим о вашем опыте, поможем оформить ваше резюме и портфолио
Подбор подходящих вакансий
Наш HR-отдел подберёт для вас несколько десятков походящих вакансий - из нашей базы и с hh, вы отправите отклик на эти вакансии с нашим сопроводительным письмом
Сопровождение в cобеседованиях
Мы будем сопровождать вас в собеседованиях, получать обратную связь от вас и от компании, до тех пор, пока вы не выйдете на новую работу
1.
2.
3.
«Трудоустройство для AI разработчиков»
Этот курс состоит из 10 занятий. Вы узнаете всё необходимое по подготовке резюме, о прохождении собеседований и презентации себя. Ведёт курс владелец IT HR агентства с опытом более 6 лет в найме IT специалистов
Дарим курс
Формат обучения
С первого дня обучения у нас вы будете писать нейронные сети и решать реальные задачи
Стажировка
После 5-6 месяцев обучения вы сможете стажироваться в наших компаниях-партнёрах, а также в нашей команде. В каждой компании стажировка будет выстроена по-своему, большинство компаний, в случае успешной стажировки, сделают вам оффер на постоянную вакансию.
Консультации по реальной задаче
Когда вам нужна будет консультация по вашему проекту, вы сможете получить консультацию от Дмитрия Романова, преподавателей, кураторов и разработчиков Университета.
В течение всего курса вы сможете задавать вопросы опытным кураторам в чатах, кураторы смогут ответить на любые возникающие у вас вопросы как по заданиям, так и по рабочим проектам.
9 месяцев работы с куратором
Курсовая и дипломная работа
Дипломная работа - это ваше свободное исследование, вы должны будете сами придумать нейросетевую задачу и успешно её решить.
Курсовая работа, это предварительная работа по диплому в середине курса.
Устный экзамен в Skype
Для получения диплома вам необходимо будет сдать устный экзамен - это опрос по всем темам курса. Мы должны убедиться в том, что вы усвоили материал курса в полном объеме..
Эти библиотеки использует весь мир в коммерческих проектах, в них самый мощный функционал и эти библиотеки сформировали огромные сообщества разработчиков
Обучаем 3 лучшим в мире AI библиотекам
Почему Python?
Python несравнимо лучше любого другого языка не только для изучения нейронных сетей, но и для полноценной работы
Лучшие AI библиотеки
Keras, Tensorflow и PyTorch - библиотеки на Python
Самый простой в освоении
Python считается самым простым в освоении языком

С 2018 Python является самым популярным языком,
на hh.ru огромное количество Python вакансий, зарплаты Python разработчиков одни из самых высоких
Один из самых востребованных языков на рынке
Google предоставляет бесплатные серверы для обучения нейронных сетей, этот сервис работает только на Python
Google collaboratory
Запишитесь
на курс
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Мощная команда разработчиков и преподавателей
Дмитрий Романов
Основатель Университета искусственного интеллекта
✓ Senior AI разработчик
✓ Работает с AI с 2003 года
✓ Создал первый в России нейрокомпьютерный интерфейс
✓ Реализовал более 10 проектов в области
искусственного интеллекта
✓ Ключевой проект - нейрокомпьютерный интерфейс, ввод
текста с помощью мыслей
( Репортаж канала «Вести», 2008 год)
✓ Победитель инновационных форумов
✓ Публикации на ведущей конференции по нейронным
сетям «Нейроинформатике»
Преподаватели и кураторы
В Университете мощнейшая команда разработчиков и преподавателей
Дмитрий
Олег
Леонид
Герард
Сергей
Станислав
Владимир
Евгений
Андрей
Мария
Марат
Огромная база материалов
Количество материалов в нашей базе значительно превышает объём курса, вы сможете получить доступ к этим материалам при необходимости
190 ноутбуков с кодом
48 презентаций
68 записей занятий
89 домашних заданий
Используем уникальные базы
Эти базы соответствуют нашим реалиям
Резюме на hh.ru
Оценка зарплаты, которую установит соискатель по его резюме
Квартиры с Яндекс.
Недвижимости и Cian
Оценка стоимости Московских квартир по объявлениям
Сегментация самолётов на изображениях
Сегментированные самолёты
Предсказание цены машины по объявлению
Объявления о продаже машин на Юле
Книги писателей фантастов
Распознавание 6 писателей по их книгам
Рассказы с литературных конкурсов
Определение, выйдет ли рассказ в финал литературного конкурса
Предсказание курса акций Лукойл, биткоина и эфира
Акции Лукойл, биткоин и эфир
Умный upsale, определение, что допродать пользователям по статистике прошлых продаж
Продажи интернет магазина косметики
Диалоги для чат-бота
Создание чат-бота, который может поддерживать диалог и отвечать на вопросы
Аудио разных дикторов
Распознавание диктора по голосу, определение одного из 5 людей, который читает отрывок книги
Какие нейронные сети вы напишете
Все эти нейронные сети мы подробно разберём на занятиях
20. Распределение грузов по фурам
1. Распознавание рукописных цифр
4. Классификация обращений в органы гос.власти по Москве
2. Распознавание марок машин
6. Определение стоимости машины по обьявлению на Юле
8. Определение стоимости квартиры
10. Предсказание акций Лукойл
12. Распознавание диктора по голосу
14. Генерация рукописных цифр
18. Интеллектуальный чат-бот
16. Сегментация изображений с регистратора для автопилотов автомобилей
22. Автоматический подбор архитектуры нейронной сети
24. Кластеризация продаж интернет-магазина косметики и умный upsale
26. Перенос стиля изображения
28. Распознавание голосовых команд для умного дома
5. Предсказание, выйдет ли рассказ в финал литературного конкурса
3. Классификация писателей
7. Определение зарплаты человека по резюме на hh.ru
9. Определение рейтинга статьи на habr.ru по тексту
11. Распознавание стилей музыки
13. Определение мошеннических операций по картам
15. Генерация изображений неба и самолетов
17. Сегментация самолетов
19. Сегментация договоров
21. Бот для прохождения лабиринта
23. Кластеризация резюме на hh.ru
25. Обучение нейронной сети игре в пинг-понг с помощью обучения с подреплением
27. Распознавание речи
Запишитесь
на курс
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Программа обучения
Ниже вы можете посмотреть краткую программу обучения
Нажмите на название занятия, чтобы увидеть его подробное описание
6 ЗАНЯТИЙ ПО PYTHON
04.05.2020 | Синтаксис Python
Описание занятия: Знакомство участников с языком программирования Python, изучение логики написания кода в Python. Примеры кода. Знакомство участников с основными типами данных, которые будут по мере обучения встречаться. Знакомство с функциями, методами и структурами данных, при знании которых в дальнейшем можно писать более сложные программы.
11.05.2020 | Numpy
Описание занятия: Знакомство с библиотекой Numpy: что это такое и как с ним работать. Numpy - масштабная библиотека для работы с массивами, матрицами, т.е. с какими-то объемами данных, манипуляции с этими данными. В большинстве случаев используется в совокупности с другими библиотеками, которые предоставляют инструменты для работы с линейной алгеброй. Знание этой библиотеки - ключевой момент в понимании и написании программ, работы с кодом в нейронных сетях. Изучается понятие массив, коренные инструменты Python для работы с этим массивом.
18.05.2020 | Pandas. Часть 1
Описание занятия: Если в Numpy происходит манипуляция с массивами, то в Pandas эти большие блоки складывается в большой DataFrame и происходит работа с этой базой. Занятие направлено на то, чтоб показать как работать с крупными датасетами, как их группировать, как обращаться с этими датасетами, извлекать информацию. Быстрые команды и методы Python для максимально быстрого извлечения той категории данных, которая необходима для дальнейшей работы.
25.05.2020 | Pandas. Часть 2
Описание занятия: Если в Numpy происходит манипуляция с массивами, то в Pandas эти большие блоки складывается в большой DataFrame и происходит работа с этой базой. Занятие направлено на то, чтоб показать как работать с крупными датасетами, как их группировать, как обращаться с этими датасетами, извлекать информацию. Быстрые команды и методы Python для максимально быстрого извлечения той категории данных, которая необходима для дальнейшей работы.
01.06.2020 | Matplotlib и Seaborn
Описание занятия: Эти библиотеки предназначены для визуализации. Одна из важнейших задач разработчика не только посчитать свою сеть и найти правильное решение. Но и уметь визуализировать. Это занятие направлено на то, чтоб углубенно познакомиться с визуализацией данных различными способами отображения. В виде диаграмм, графиков, рисунков, которые будут обладать высокой информативностью.
08.06.2020 | Функции и модули
Описание занятия: До этого происходит знакомство с основными моментами в Python: с синтаксисом - слова, с помощью которых можно выстроить предложения, вариантами хранения структуры данных - с библиотекой Numpy, с Pandas, в котором в дальнейшем будут происходить манипуляции с базами данных, с методами визуализации. Возникает необходимость оптимизировать рабочее пространство. На занятии изучается, что такое функция, как пишется функция в Python, как она устроена, когда нужно ее ставить, как она может помочь в оптимизации. Модули. Подгрузка модулей.
5 ЗАНЯТИЙ ПО МАТЕМАТИКЕ
15.06.2020 | Матрицы и функции
Описание занятия: Переход в линейную алгебру. Математика в нейронных сетях связана с пониманием линейной алгебры и с пониманием, что такое матрица, какие математические действия можно совершать с матрицами, как можно, не печатая каждое математическое действие, а, подгружая отдельную библиотеку, эти действия совершать с матрицами. Функция с точки зрения математики. Как строится функция. Какие бывают графики функций и что они дают.
22.06.2020 | Множества, бинарная логика, комбинаторика
Описание занятия: Углубление в математику. Комбинаторика, теория множеств и булева алгебра - это то, что необходимо знать для развития абстрактного мышления, для того, чтоб расширять свой кругозор в плане подбора абстракций. Изучение комбинаторики для лучшего понимания принципа рекурсии. Углубление в булеву алгебру - основу программирования. Изучение теории множеств для лучшего понимания диаграмм.
29.06.2020 | Теория вероятностей и статистика. Часть 1
Описание занятия: Теория вероятностей и статистика - основа data science. На занятии будет изучение, что такое вероятность, что такое плотность вероятности, какие бывают распределения и что собой представляет математическое ожидание.
06.07.2020 | Теория вероятностей и статистика. Часть 2
Большой радел, разделенный на несколько подразделов. Важный раздел, так как, начиная от анализа датасетов и заканчивая некоторыми функциями ошибок, - все это завязано на знании теории вероятности и математической статистики.
13.07.2020 | Обработка сигналов
Описание занятия: Участникам предстоит обработка разных типов данных. В том числе работа с сигналами типа аудио. На занятии будет знакомство, что такое сигнал, каким образом его можно анализировать, какие у него характеристики, что такое фазовая и амплитудная характеристики. В целом, знакомство с математическим аппаратом, который лежит в основе обработки сигналов.
2 ЗАНЯТИЯ ПО DATA SCIENCE
20.07.2020 | Парсинг данных
Описание занятия:
После знакомства с языком программирования: изучения сложения слов в предложения, предложения - в тексты, и знакомство с математикой, на которой все это основывается, возможен переход к азам machine learning. Парсинг данных - важная часть для разработчика, так как любому разработчику даются сырые данные, которые необходимо будет обработать, выделить в отдельные группы, выделить основные признаки, убрать шумы, добиться максимальной точности в своей сетке.
27.07.2020 | Анализ данных
Описание занятия:Симбиоз знаний по математической статистике, по работе с графиками и работе с базами данных для того, чтоб можно было всю работу, которую аналитики выполняют вручную за неделю, сделать за несколько часов, зная набор команд, библиотеки, правила и логику, по которым все это можно было сгруппировать, вывести на экран, прочитать и сделать из этого полезные выводы. Занятие посвящено краткому обзору работы датасаентиста.
26 занятий по
нейронным сетям
БАЗОВЫЕ ТЕМЫ
03.08.2020 | Введение в нейронные сети
Описание занятия: Введение в программу курса. Знакомство с нейронными сетями и методикой их написания на примере базы рукописных цифр. Работа с математической моделью. Прописание архитектуры, слоев. Пояснительные комментарии: что из себя представляют разные параметры и характеристики слоев. Рассмотрение элементов, входящих в нейронную сеть, обучение сети, проверка на работоспособность. Цель занятия - показать, что написание нейронных сетей помимо разработки математической модели включает в себя обработку базы данных, с помощью которых и будет происходить обучение.
10.08.2020 | Полносвязные сети, обучающая и тестовая выборки
Описание занятия: Знакомство с ключевыми понятиями теории обучения нейронных сетей. Примеры активационных функций, их назначение и особенности. Построение нейронных сетей с простыми архитектурами. Рассмотрение понятия нейрон смещения (bias), его назначение. Рассмотрение различных способов формирования обучающей и проверочной выборок с использованием набора рукописных цифр MNIST. Создание и обучение нейронной сети для распознавания рукописных цифр, проверка и визуализация качества обучения сети. Рассмотрение вопроса переобучения нейронной сети и способов борьбы с переобучением. Рассмотрение дополнительных возможностей по увеличению качества распознавания. Создание нейронной сети для решения реальной задачи: предсказание цен машин с сайта YOULA.RU.
17.08.2020 | Свёрточные нейронные сети
Описание занятия: Преимущества свёрточных нейронных сетей на фоне остальных архитектур по отношению к распознаванию объектов. Цель занятия - показать, что может включать предварительная обработка выборки, как привести ее к нужной форме для того, чтоб на ней проверить свёрточную нейронную сеть. Изучение архитектуры свёрточных нейронных сетей: какие элементы участвуют, что используется, зачем используется, как проверяются данные на этих архитектурах и сравнение результатов. Работа со стандартными наборами - базой рукописных цифр и базой Cifar10.
24.08.2020 | Обработка текстов с помощью нейросетей
Описание занятия: Рассмотрение основных задач, связанных с обработкой текстов, которые способны решать нейронные сети. Знакомство с основными архитектурами нейронных сетей, применяемых для обработки текстовых данных. Рассмотрение способов векторизации текста для преобразования текстовых данных в числовые (разряженные и плотные вектора, векторные представления слов). Демонстрация предварительно обученных векторных представлений слов: CloVe (Global Vectors), Word2Vec, FastText. Решение практической задачи по классификации текстов на базе обращений граждан: парсинг исходной базы для создания обучающей и проверочной выборок, создание полносвзяной сети и сети с Embedding-слоем для решения поставленной задачи, сравнение результатов работы сетей. Решение практической задачи по классификации писателей: парсинг базы писателей, создание обучающей и проверочной выборок, демонстрация преобразования данных по принципу BagOfWords, создание полносвязной сети и сети с Embedding-слоем для классификации писателей, распознавание проверочной выборки.
31.08.2020 | Рекуррентные нейронные сети и одномерные свёрточные сети для обработки текстов
Описание занятия: Преимущества рекуррентных нейронных сетей для решение задач на нахождение последовательностей. Рассмотрение устройства рекуррентной нейронной сети: что собой представляет элемент запоминания в этой сети, каким образом выстраивается архитектура рекуррентных сетей, что необходимо знать о работе с каждым из типов и как их можно комбинировать с другими архитектурами. Работа на базе писателей. Задача занятия - классификация писателей с помощью рекуррентной сети, которая за счет запоминания последовательности между словами, определит стиль каждого из писателей, также решение задачи классификации писателей с помощью одномерной свёрточной сети.
07.09.2020 | Нейронные сети для решения задачи регрессии
Описание занятия: Рассмотрение термина регрессия в области нейронных сетей. Выделение различий при решении задач регрессии и рассматриваемых ранее задач классификации. Решение практической задачи по определению стоимости квартир с использование набора данных Boston Housing. Решение аналогичной задачи по определению стоимости квартир на собственной информационной базе: парсинг базы, преобразование имеющихся данных (как числовых, так и текстовых) к требуемому числовому представлению, формирование обучающей выборки, нормирование данных. Построение нейронной сети для решения поставленной задачи и оценка полученных результатов. Решение практической задачи по оценке зарплаты по базе с HeadHunter: парсинг базы, создание обучающей выборки, создание различных архитектур нейронных сетей для решения задачи и сравнение результатов их работы.
14.09.2020 | Полносвязные и рекуррентные нейронные сети для прогнозирования временных рядов
Описание занятия: Временные ряды - это отдельная глава в изучении нейронной сети. С одной стороны, задача напоминает регрессию, так как необходимо предугадать число. Например, необходимо предугадать цену на бензин, трафик на сайте, какую-то переменную во времени. С другой стороны, необходимо учитывать, что происходило до этого. Рассмотрение какие из ранее изученных архитектур оптимальнее подходят для баз с временными рядами. Предсказывание значений временных рядов. Работа с базами прогнозирования акций "Лукойла" и цен на бензин.
21.09.2020 | Прямые и свёрточные нейронные сети для обработки аудио сигналов
Описание занятия: Рассмотрение специфики обработки аудио с помощью нейронных сетей. Знакомство с популярными библиотеками по обработке аудио. Демонстрация работы с библиотекой librosa для параметризации аудио, извлечение признаков из аудиосигнала: пересечение с нулем, спектральный центроид, спектральный спад частоты, мел-частотные спектральные коэффициенты, частота цветности. Решение практической задачи по классификации жанров музыки.: формирование обучающей выборки, создание нейронной сети для решения поставленной задачи, проверка распознавания жанров музыки на основе различных признаков.
28.09.2020 | Автокодировщики
Описание занятия: После рассмотрения типов слоев и базовых архитектур возможен переход к более высокоуровневым архитектурам, которые выполняют конкретную функцию - к автокодировщикам. Знакомство с автокодировщиками. Рассмотрение особенностей и функций автокодировщиков. Пример: очищение от шума изображений рукописных цифр. Решение задачи на выявление мошеннических операций.
05.10.2020 | Вариационные автокодировщики, генеративные модели на базе автокодировщиков
Описание занятия: Рассмотрение различий вариационного и классического автокодировщиков. Задачи, решаемые на вариационном автокодировщике. Описание применения для решения задач вариационными автокодировщиками. Рассмотрение возможности задавать параметры и генерировать данные с заданными условиями.
12.10.2020 | Генеративные состязательные сети
Описание занятия: Рассмотрение вопроса генерации различного контента с использованием нейронных сетей (GAN). Выделений основных сложностей и способов их преодоления при решении задач генерации. Знакомство с принципиально новым подходом в построении архитектур нейронных сетей: создание двух "конкурирующих" между собой частей одной сети (генератор и дискриминатор). Описание процесса обучения каждой из частей и формирования обучающих выборок. Рассмотрение генеративных состязательных сетей с условием (сGAN). Решение практической задачи по генерации рукописных цифр на основе набора MNIST. Создание различных архитектур дискриминатора и генератора и сравнение качества их работы. Решение аналогичной задачи для генерации изображение на основе набора CIFAR10. Создание генератора с условием для генерации рукописных цифр.
ПРОДВИНУТЫЕ ТЕМЫ
19.10.2020 | Сегментация изображений
Описание занятия: Рассмотрение задачи сегментации изображений с использованием нейронных сетей. Знакомство с основными архитектурами, применяемыми для решения задачи сегментации: U-Net, SegNet, Linknet, PSPNet. Выявление особенностей каждой из архитектур, их положительных и отрицательных сторон. Рассмотрение вопроса по оптимизации процесса сегментации изображения: уменьшение выборки, аугментация изображения, разбиение изображения. Решение практической задачи по разметке фотографий с регистратора для создания автопилота автомобилей: создание обучающей и проверочной выборок, создание различных архитектур нейронной сети для решения поставленной задачи, сравнение результатов работы различных архитектур, проверка результатов работы на упрощенной выборке (3 класса объектов вместо 12).
26.11.2020 | Генерация текста
Описание занятия: Рассмотрение вопроса генерации текста с использованием нейронных сетей: области применения, реальные примеры. Выделение основных задач и проблем, возникающих при решении задачи генерации текста. Знакомство с популярными решениями в области генерации текста: Seq2Sqe (Sequence-to-Sequence), Word2Vec (Word-to-Vector), Doc2Vec (Document-to-Vector). Подробное рассмотрение модели Seq2Sqe. Решение практической задачи для создания чат-бота с использованием модели Seq2Seq: парсинг данных, создание выборки для обучения модели, создание архитектур энкодера и декодера (составных частей модели Seq2Seq), демонстрация работы чат-бота в режиме вопрос-ответ.
02.11.2020 | Cегментация текста
Описание занятия: Сегментация текста на базе договоров. Вычленение по смыслу нужных фрагменты из текста. Анализ нейронной сетью текста и понимание им его содержания. Рассмотрение практического применения сегментации текста: из текста нужно вычленить необходимое или при выдаче задания голосовому помощнику найти какой-то текст, помощник мог понять и найти необходимый текст.
09.11.2020 | Введение в генетические алгоритмы
Описание занятия: Генетические алгоритмы использовались, когда не было вычислительных мощностей для нейронных сетей. Их суть совпадает с названием. Работа по тем же принципам, что и в эволюции. Есть какая-то популяция, мутации, условия, в которых популяция живет. Находятся идеальные кандидаты, которые подходят для конкретной задачи, по принципу выживания. На этом занятии будут рассмотрены прикладные задачи. Например, игра в лабиринт: с помощью генетического алгоритма программа научится проходить лабиринт.
16.11.2020 | Генетические алгоритмы для обучения нейронных сетей
Описание занятия: Применение генетических алгоритмов для подбора оптимальной архитектуры нейронной сети. Решение практической задачи для подбора оптимальной архитектуры сети, решающей задачу распознавания рукописных цифр из набора MNIST: создание генетического алгоритма для подбора архитектуры сети, подбор архитектуры свёрточной нейронной сети с перебором параметров: нормализцая, размер первого свёрточного слоя, использование второго сверточного слоя, использование MaxPooling и др.
23.11.2020 | Алгоритмы кластеризации данных
Описание занятия: Задача кластеризации является одной из востребованных задач на рынке. Например, есть интернет-магазин, есть статистика заказов. По заказам клиентов и по характеристикам заказов этого магазина можно разделить базу клиентов. Работа с базами HeadHunter. Разделение на кластеры базы HeadHunter.
30.11.2020 | Object Detection (обнаружение объектов)
Описание занятия: Рассмотрение задачи обнаружения объектов с использованием нейронных сетей. Сравнение двух подходов к задаче обнаружения объектов: ObjectDetection и сегментация. Знакомство с алгоритмом Selective Search и первыми моделями, решающими задачи обнаружения объектов (RCNN, SPP). Сравнение производительности различных подходов. Описание идеи использования анкоров вместо Selective Search. Рассмотрение двух современных архитектур для решения задач обнаружения объектов YOLOv3 и RetinaNet: создание моделей, функции ошибок, обучение моделей на базе самолетов и демонстрации процесса обучения. Распознавание изображения с использованием обученных моделей.
07.12.2020 | Обучение с подкреплением
Описание занятия: Сравнение основных подходов к обучению нейронных сетей: с учителем, без учителя, с подкреплением. Описание основной идеи процесса обучения сети с подкреплением. Постановка основных задач, решаемых в процессе обучения с подкреплением. Рассмотрение основных алгоритмов, используемых в этой области: Police Gradient, Q-learning (выделение их положительных и отрицательных сторон). Решение практической задачи по обучению бота игре в Ping-Pong на игровой платформе "gym" и использованием алгоритма PoliceGradient. Демонстрация игры обученного бота. Рассмотрение ограничений и проблем, возникающих в процессе обучения. Рассмотрение способов ускорения процесса обучения.
14.12.2020 | Распознавание речи
Описание занятия: Рассмотрение задачи преобразования речи в текст. Описание областей применения распознавателей речи. Выделение основных задач, решаемых в процессе создания нейронных сетей по распознаванию речи. Описание подхода и используемых акустических признаков для решения задачи распознавания речи. Построение акустической модели и оценка качества распознавания с помощью метрики WER (word error rate). Выделение основных проблем задачи распознавания речи. Демонстрация распознавания речи с помощью google API, демонстрация распознавания команды с микрофона. Решение практической задачи по распознаванию голосовых команд в потоке речи: создание аудиофрагментов для формирования обучающей выборки, парсинг данных, создание различных архитектур и сравнение качества их работы, демонстрация распознавания голосовых команд на тестовых данных.
ДОПОЛНИТЕЛЬНЫЕ ТЕМЫ
21.12.2020 | Интеграция нейронной сети в Production. Часть 1
Описание занятия: Введение в программу курса. Знакомство с нейронными сетями и методикой их написания на примере базы рукописных цифр. Работа с математической моделью. Прописание архитектуры, слоев. Пояснительные комментарии: что из себя представляют разные параметры и характеристики слоев. Рассмотрение элементов, входящих в нейронную сеть, обучение сети, проверка на работоспособность. Цель занятия - показать, что написание нейронных сетей помимо разработки математической модели включает в себя обработку базы данных, с помощью которых и будет происходить обучение.
28.12.2020 | Интеграция нейронной сети в Production. Часть 2
Описание занятия: Знакомство с ключевыми понятиями теории обучения нейронных сетей. Примеры активационных функций, их назначение и особенности. Построение нейронных сетей с простыми архитектурами. Рассмотрение понятия нейрон смещения (bias), его назначение. Рассмотрение различных способов формирования обучающей и проверочной выборок с использованием набора рукописных цифр MNIST. Создание и обучение нейронной сети для распознавания рукописных цифр, проверка и визуализация качества обучения сети. Рассмотрение вопроса переобучения нейронной сети и способов борьбы с переобучением. Рассмотрение дополнительных возможностей по увеличению качества распознавания. Создание нейронной сети для решения реальной задачи: предсказание цен машин с сайта YOULA.RU.
04.01.2021 | Написание нейронных сетей с библиотекой PyTorch. Часть 1
Описание занятия: Преимущества свёрточных нейронных сетей на фоне остальных архитектур по отношению к распознаванию объектов. Цель занятия - показать, что может включать предварительная обработка выборки, как привести ее к нужной форме для того, чтоб на ней проверить свёрточную нейронную сеть. Изучение архитектуры свёрточных нейронных сетей: какие элементы участвуют, что используется, зачем используется, как проверяются данные на этих архитектурах и сравнение результатов. Работа со стандартными наборами - базой рукописных цифр и базой Cifar10.
11.01.2021 | Написание нейронных сетей с библиотекой PyTorch. Часть 2
Описание занятия: Рассмотрение основных задач, связанных с обработкой текстов, которые способны решать нейронные сети. Знакомство с основными архитектурами нейронных сетей, применяемых для обработки текстовых данных. Рассмотрение способов векторизации текста для преобразования текстовых данных в числовые (разряженные и плотные вектора, векторные представления слов). Демонстрация предварительно обученных векторных представлений слов: CloVe (Global Vectors), Word2Vec, FastText. Решение практической задачи по классификации текстов на базе обращений граждан: парсинг исходной базы для создания обучающей и проверочной выборок, создание полносвзяной сети и сети с Embedding-слоем для решения поставленной задачи, сравнение результатов работы сетей. Решение практической задачи по классификации писателей: парсинг базы писателей, создание обучающей и проверочной выборок, демонстрация преобразования данных по принципу BagOfWords, создание полносвязной сети и сети с Embedding-слоем для классификации писателей, распознавание проверочной выборки.
18.01.2021 | Написание нейронных сетей с библиотекой Tensorflow.
Часть 1
Описание занятия: Преимущества рекуррентных нейронных сетей для решение задач на нахождение последовательностей. Рассмотрение устройства рекуррентной нейронной сети: что собой представляет элемент запоминания в этой сети, каким образом выстраивается архитектура рекуррентных сетей, что необходимо знать о работе с каждым из типов и как их можно комбинировать с другими архитектурами. Работа на базе писателей. Задача занятия - классификация писателей с помощью рекуррентной сети, которая за счет запоминания последовательности между словами, определит стиль каждого из писателей, также решение задачи классификации писателей с помощью одномерной свёрточной сети.
25.01.2021 | Написание нейронных сетей с библиотекой Tensorflow.
Часть 2
Описание занятия: Рассмотрение термина регрессия в области нейронных сетей. Выделение различий при решении задач регрессии и рассматриваемых ранее задач классификации. Решение практической задачи по определению стоимости квартир с использование набора данных Boston Housing. Решение аналогичной задачи по определению стоимости квартир на собственной информационной базе: парсинг базы, преобразование имеющихся данных (как числовых, так и текстовых) к требуемому числовому представлению, формирование обучающей выборки, нормирование данных. Построение нейронной сети для решения поставленной задачи и оценка полученных результатов. Решение практической задачи по оценке зарплаты по базе с HeadHunter: парсинг базы, создание обучающей выборки, создание различных архитектур нейронных сетей для решения задачи и сравнение результатов их работы.
Запишитесь
на курс
Получите консультацию специалиста и узнайте ваши индивидуальные условия обучения
Всё обучение дистанционно
У нас обучаются участники из всех регионов России, СНГ и других стран мира. Всё обучение построено дистанционно. Всё, что вам требуется, - это компьютер с выходом в интернет. Нет сроков просмотра занятий и выполнения заданий. Вы можете обучаться тогда, когда вам удобно
Вы можете распределить время обучения, как вам удобно, в течение недели
Сколько времени нужно на обучение
Желательно: 10 часов в неделю
Это оптимальное время на просмотр вебинара (2 часа) и выполнение домашнего задания уровня Pro
Минимум: 5 часов в неделю
Этого времени хватит на просмотр вебинара (2 часа) и выполнение домашнего задания на уровне Light

Стажировка: +7 часов в неделю