Посмотрите подробности о курсе
«Нейронные сети на Python»
Примеры 2-х вебинаров про нейронные сети, занятия по Python, примеры домашних заданий, отзывы, программа

»

«
Первые вебинары курса по нейронным сетям
Занятие 1. Модель нейронной сети. Библиотеки Keras и TensorFlow. Платформа Google Colaboratory

Домашнее задание | Презентация | Ноутбук
Занятие 2. Полносвязные сети, обучающая и тестовая выборки

Домашнее задание | Презентация | Ноутбук
Первые занятия по Python
Что такое нейронные сети,
что они могут, и как написать нейронную сеть на Python?
Узнайте о том, как работают нейронные сети, какие задачи они могут решать и напишите свою первую нейронную сеть
на Python и Keras
Отзывы участников курса
Антон Беляев
Обучение на курсе «Основы нейронных сетей на Python» позволило мне получить качественную подготовку в области решения ряда практических задач искусственного интеллекта.

Программа курса построена так, чтобы можно за разумный срок овладеть практическими навыками написания нейронных сетей на Python, создания сетей прямого распространения, создания сверточных и реккурентных нейронных сетей, создания автокодировщиков, создания deep learning нейронных сетей, решения задач классификации, распознавания образов и регрессии, решения задач обработки изображений и видео, обработки естественного языка, решения задач предсказания временных рядов и поиска выбросов. Важнейшим пунктом содержания программы является обучение тестированию качества обучения нейронных сетей.

Для обучения была выбрана очень удобная платформа Google Colaboratory и наиболее качественный инструмент создания нейронных сетей – язык программирования Python. Это позволило, не отвлекаясь на вспомогательные вопросы, целиком сосредоточиться на построении нейронных сетей для решения указанных выше задач и ознакомиться с библиотекой Keras, работающей поверх Theano и Tensorflow, а также ознакомиться с визуализацией данных средствами Python.

Важнейшим положительным решением в организации курса явилось создание участниками курса профиля на сайте kaggle.com, участие в соревнованиях на котором высоко ценится работодателями и специалистами в области машинного обучения и Data Science.

Выражаю благодарность преподавателям курса – Андрею Созыкину, который вел вебинары курса, и Анатолию Бобе, куратору группы. Андрей Созыкин очень компактно излагал материал, были подготовлены отличные презентации. Немаловажным моментом была демонстрация решения задач с помощью ноутбуков Google Colaboratory. Анатолий Бобе очень оперативно проверял выполненные задания, давал рекомендации по

Улучшению качества решений и предложить пути решения возникавших сложностей, а на занятиях группы старался дать дополнительную информацию по рассмотренной на вебинаре теме.

Очень правильным решением является выдача выпускнику качественного сертификата и отзыва об участнике курса. Это говорит об особенности обучения в Университете искусственного интеллекта – максимальной помощи в трудоустройстве выпускника курса.

Благодарю также сотрудников Университета искусственного интеллекта Елену Яковлеву, Антонину Белоусову, Александру Сувалкину за оперативно предоставляемую исчерпывающую информацию и качественное решение организационных вопросов.
Владимир Соболев
Курс «Основы нейронных сетей на Питон» оказалcя на редкость полезным. Главное его преимущество – низкий порог вхождения. Освоить курс способен новичок. Не нужны глубокие знания языка программирования «Питон» и математики. Рассматриваемые задачи требуют большой объем вычислений, тяжелый для домашнего компьютера. Однако на курсах показано, как бесплатно арендовать на 12 часов виртуальную машину Google и в десятки раз сократить время счета.

На курсе каждый может выбрать задачу по душе: распознавание, обработка изображений, текста и т. д. С каждым годом время человека дорожает, а машинное время дешевеет. Все больше профессий осваивает компьютер, например профессию водителя автомобиля. Этот курс – первый шаг в будущее.
Артур Комаров-Пейсахович
Курс безусловно будет полезен тем, кто только начинает изучение нейронных сетей.
Он содержит необходимую базовую информацию о методах решения различных задач с применением ИНС, предоставляет возможность "пощупать" их, приняв участие в закрытых соревнованиях и обсудить решения с куратором, что является наиболее ценной частью курса.
Константин Слепов
Материал курса подобран так, что он понятен начинающим и проясняет тонкости для тех, кто уже знаком с глубоким обучением
Стекольщиков Максим
Хороший курс для начинающих знакомство с нейронными сетями и планирующих делать карьеру в области искусственного интеллекта.
Доступное изложение материала и удобная подача с элементами практики. В будущем хотелось бы больше услышать о библиотеке Tensorflow и разобрать нейронные сети более подробно. Желательно что бы к видео урокам были таймкоды и содержание для более удобной навигации в рамках урока. Эти уроки дополнили мои знания.
Спасибо большое.
Денис Бутко
Я пришел на курс, так как хотел погрузиться в нейронные сети и разобраться как же все таки они работают. С этой задачей курс мне помог справиться полностью. Конечно осталось еще много белых пятен, но они уже заполняются с практикой. Единственая вещь которая не зашла это монотонный голос ведущего. Не критично, но один раз я заснул) Стоит так же отметить что я решил пойти на полугодовой курс к этим же ребятам что бы углубиться в нейронные сети еще глубже.
Краткая программа обучения
Краткая программа обучения: даты, темы занятий
Базовые темы
Продвинутые темы
Дополнительные темы
Подробная программа обучения
Подробная программа обучения с описаниями занятий и заданий
Базовые темы
1 декабря
20:00 мск
1 декабря
20:00 мск
Введение в нейронные сети
Описание занятия: Первое занятие по нейронным сетям - введение в нишу, путь разработчика в области машинного обучения, математическая модель нейрона, принципы обучения нейронной сети и обучение первой нейронной сети на примере распознавания цифр.
Демонстрация кода в Google Colaboratory

Задание: Распознавание рукописных цифр
8 декабря
20:00 мск
8 декабря
20:00 мск
Полносвязные сети, обучающая и тестовая выборки
Описание занятия: Вторая тема, ключевая в обучении нейронных сетей - обучающая и тестовая выборка, определение качества обучения нейронной сети. Разбирать тему будем на примере распознавания рукописных цифр

Задание: Распознавание рукописных цифр
15 декабря
20:00 мск
15 декабря
20:00 мск
Свёрточные нейронные сети
Описание занятия: Свёрточные нейронные сети применяются для обработки изображений, сейчас это самый мощный инструмент для работы с любыми изображениями, их принцип работы построен аналогично с работой зрительной системы человека. Мы разберём свёрточные сети на примере распознавания различных объектов

Задание: Распознавание изображений
22 декабря
20:00 мск
22 декабря
20:00 мск
Обработка текстов с помощью нейросетей
Описание занятия: Работа с текстами - одна из ключевых областей применения нейронных сетей, на этом занятии мы разберём пример категоризации новостей Reuters с помощью глубоких (но пока не рекуррентных) нейронных сетей

Задание: Распознавание писателей по текстам
5 января
20:00 мск
5 января
20:00 мск
Рекуррентные нейронные сети и одномерные свёрточные сети для обработки текстов
Описание занятия: Рекуррентные сети - это сети с памятью, они обрабатывают данные не в отрыве друг от друга, как остальные архитектуре, рекуррентные сети находят взаимосвязи в последовательностях данных. Чаще всего они используются для анализа текстов и зарекомендовали себя самым мощным инструментом для решения языковых задач. Свёрточные сети можно применять не только для изображений, но и для текстов, если сделать свёрточные сети одномерными, а не двухмерными. Будем разбирать их применение на примере генерации текста

Задание: Определение, выйдет ли рассказ в финал литературного конкурса
12 января
20:00 мск
12 января
20:00 мск
Нейронные сети для решения задачи регрессии
Описание занятия: Регрессия - это задача, когда итоговым ответом сети является не класс, а действительно число, например, прогноз погоды или оценка возраста человека по фотографии. Нейронные сети успешно решают задачи регрессии, мы разберём эту тему на примере оценки стоимости недвижимости

Задание: Оценка стоимости недвижимости / оценка зарплаты по резюме на hh.ru
19 января
20:00 мск
19 января
20:00 мск
Полносвязные и рекуррентные нейронные сети для прогнозирования временных рядов
Описание занятия: Прогнозирование временных рядом похоже на регрессию, только с добавлением нового измерения - времени. Для прогнозирования временных рядом можно применять практически все структуры нейронных сетей: полносвязные, свёрточные и рекуррентные. Вы уже будете знать все эти архитектуры, мы покажем, как применять их для прогнозирования временных рядов

Задание: Прогнозирование курса валют
26 января
20:00 мск
26 января
20:00 мск
Прямые и свёрточные нейронные сети для обработки аудио сигналов
Описание занятия: Работа с аудио-сигналами (голос, музыка) требует тех же нейросетевых архитектур, главное отличие - предобработка данных, использование спектра или треугольных фильтров. Мы разберём специфику работы с аудио-сигналом на примере распознавания диктора по голосу

Задание: Определение жанра музыки
2 февраля
20:00 мск
2 февраля
20:00 мск
Автокодировщики, вариационные автокодировщики, генеративные модели на базе автокодировщиков
Описание занятия: Автокодировщики сжимают данные в меньшее пространство и выступают нейросетевым аналогом архиватора, но они могут так же использоваться в качестве генеративной модели, например, генерировать рукописные цифры

Задание: Поиск мошеннических операций по картам
9 февраля
20:00 мск
9 февраля
20:00 мск
Генеративные состязательные сети
Описание занятия: Генеративные нейронные сети используются для машинного творчества, генерации изображений, текстов, звука. Архитектура генеративных сетей принципиально отличается от всех остальных нейронных сетей, она состоит из двух конкурирующих друг с другом нейронных сетей. Будем разбирать тему на примере генерации изображений

Задание: Генерация изображений
Продвинутые темы
16 февраля
20:00 мск
16 февраля
20:00 мск
Предварительно обученные сверточные нейронные сети
Описание занятия: В нейронных сетях вы можете использовать часть сети, которая была предварительно обучена другими разработчиками, часто это компании-гиганты типа Google. Использование предобученной нейронной сети значительно упрощает разработку и скорость обучения вашей собственной сети
Задание: Определение марки автомобиля по фото
23 февраля
20:00 мск
23 февраля
20:00 мск
Сегментация
Описание занятия: В завершении темы свёрточных сетей мы разберём тему сегментации изображений - выделения места положения различных объектов или частей объектов (например, рук, ног и головы людей), а так же использование обратной свёртки для генерации изображений

Задание: Разметка фото с регистратора для автопилотов автомобилей
1 марта
20:00 мск
1 марта
20:00 мск
Генерация текста
Описание занятия: На этом занятии мы будем учиться генерировать текст на принципе двух моделей: по символам и по словам

Задание: Генерация стихов / интеллектуальный чат-бот
8 марта
20:00 мск
8 марта
20:00 мск
Использование Word2vec и сегментация текста
Описание занятия: Первая часть занятия будет посвящена предобученным embedding-слоям, которые создают крупные компании, а вторая часть - сегментации: выделению некоторых блоков внутри текста

Задание: Сегментация резюме на hh.ru
15 марта
20:00 мск
15 марта
20:00 мск
Введение в генетические алгоритмы
Описание занятия: Генетические алгоритмы, это моделирование принципов эволюции - естественный отбор, скрещивание и мутации. Они позволяют нестандартным образом решать многие задачи искусственного интеллекта и составляют мощную конкуренцию нейронным сетям. Будем разбирать генетические алгоритмы на примере прохождения лабиринта

Задание: Обучение бота прохождению лабиринта
22 марта
20:00 мск
22 марта
20:00 мск
Генетические алгоритмы для обучения нейронных сетей
Описание занятия: Огромное преимущество генетических алгоритмов - с их помощью можно перебрать автоматические сотни и тысячи различных архитектур нейронных сетей выбрать лучшую. Генетический алгоритм сможет выбрать за вас, сколько должно быть слоёв в нейронной сети, сколько нейронов в слоях, какая функция активации - это будет совсем не то, что выбрали бы вы и это будет точно эффективнее

Задание: Автоматический подбор архитектуры нейронной сети
29 марта
20:00 мск
29 марта
20:00 мск
Алгоритмы кластеризации данных
Описание занятия: Изучение базовых алгоритмов кластеризации. Кластеризация текстовых данных при помощи K-Means. Алгоритмы спектральной и иерархической кластеризации на обучающих примерах

Задание: Кластеризация рукописных цифр K-Means алгоритмом
5 апреля
20:00 мск
5 апреля
20:00 мск
Object Detection (распознавание и идентификация местоположения объекта на изображении)
Описание занятия: Наиболее востребованная тема в задачах обработки видеоданных с камер. мы рассмотрим истоки появления алгоритма selective search, и перейдем от него к таким современным реализациям как fater rcnn и yolo. Обсудим плюсы и минусы различных подходов и критерии выбора целевого подхода

Задание: Детектирование нескольких классов на изображении на основе Open Image Dataset
12 апреля
20:00 мск
12 апреля
20:00 мск
Signal processing в задачах прогнозирования неисправностей и предиктивного обслуживания
Описание занятия: Тема предективного обслуживания является очень востребованной на любом промышленном предприятии, которое выпускает/эксплуатирует станки и машины, в последние годы активно развивается использование техник предиктивного обслуживания на транспорте. В ходе занятия будут разобраны основные определения и подходы в предиктивном обслуживании. мы разберем наиболее передовые методы предсказания Time to Failure (прим. время до поломки) с использованием нейронных сетей

Задание: Предсказание Time to Failure для реактивной турбины самолета на основе датчиков и встроенных сенсоров
19 апреля
20:00 мск
19 апреля
20:00 мск
Алгоритмы препроцессинга данных
Описание занятия: Изучение алгоритмов для обработки данных. Нормализация и шкалирование данных. Отображение в Гауссово распределение. Использование метода главных компонент. Создание «полиномиальных» фич. Использование фреймворка tsfresh для генерации фич временного ряда

Задание: Отображение пространства главных компонент на примере инкрементального PCA
26 апреля
20:00 мск
26 апреля
20:00 мск
Перенос стиля изображения
Описание занятия: Занятие будет посвящено нейронным сетям, которые позволяют скопировать стиль с одного изображения на другое. Мы будем практиковаться на переносе стиля с картин на фотографии

Задание: Перенос стиля картин на фотографии
3 мая
20:00 мск
3 мая
20:00 мск
Распознавание речи
Описание занятия: На занятии разберем одну из самых популярных задач работы с речью - это превращение речи в текст, наподобие того, как работают сервисы Яндекс и Ок, Google.

Задание: Распознавание русской речи (Ok, Google)
Дополнительные темы
10 мая
20:00 мск
10 мая
20:00 мск
Интеграция нейронной сети в Production. Часть 1
Описание занятия: Вывод обученной сети в продуктив - один из самых важных вопросов и при отсутствии подготовленного процесса и инфраструктуры занимает значительно больше времени, чем разработка. В ходе занятия мы разберем 2 наиболее распространенных варианта вывода в продуктив: Реализация модели как Web-сервиса и Реализация модели на Кластере с большим объемом данных. Мы разберем все определения, особенности и ошибки на примере «игрушечного кода». Также обсудим рекомендации по лучшим практикам при выводе модели в продуктив

Задание: Реализация модели распознания рукописных цифр MNIST как Web-сервиса и нна Кластере Spark
17 мая
20:00 мск
17 мая
20:00 мск
Интеграция нейронной сети в Production. Часть 2
Описание занятия: В рамках занятия будет продолжена тема вывода Нейронных сетей и Моделей в продакшен. Будут рассмотрены варианты контейнеризации приложений с нейтронными сетями, оркестрации контейнеров и конвертами Keras моделей в C++ код

Задание: Упаковка обученной модели MNIST в контейнер, с сохранением всех зависимостей
24 мая
20:00 мск
24 мая
20:00 мск
Написание нейронных сетей с библиотекой PyTorch
Описание занятия: Изучение базовых операций и возможностей библиотеки Pytorch. Cоздание полносвязного перцептрона для распознавания рукописных цифр и оценка результатов. Создание свёрточной нейронной сети для распознавания рукописных цифр и оценка результатов. Вычисления на GPU и CPU

Задание: Оценка стоимости квартир / распознавание изображений / распознавание писателей
31 мая
20:00 мск
31 мая
20:00 мск
Написание нейронных сетей с библиотекой Tensorflow
Описание занятия: На этом занятии мы разберею библиотеку TensorFlow. Это более глубогоуровневая библиотека, чем Kerasб и лежит в основе Keras. Её возможности позволяют реализовывать некоторые значительно более сложные задачи и арихтектуры, чем Keras

Задание: Оценка стоимости квартир / распознавание изображений / распознавание писателей
Может быть интересно
Другие страницы сайта