Deep Learning
От персептрона до GAN'ов: только практические кейсы. Добавите более 20 рабочих проектов в портфолио. Гибкая учебная траектория, поддержка сообщества экспертов, консультации с ментором
Описание:
Глубокое обучение — это суперсила
Количество вакансий, где требуются знания машинного обучения выросло в 5 раз с 2015 года
С его помощью вы можете заставить компьютер видеть, создавать новые произведения искусства, переводить на разные языки, ставить диагноз или создавать механизмы, которые могут управлять сами собой. Если не это суперсила, я даже и не знаю — что это тогда.
Чему вы научитесь на курсе
- Работать с многомерными свёртками. Padding & stride, Pooling и LeNet. AlexNet, VGG, NiN, GoogLeNet, ResNet и DenseNet станут рабочими инструментами, а не запросами в поисковике
- Управлять историей. И это не только про ваш прогресс в обучении: овладеете конкурентным преимуществом в задачах с использованием Beam-Search и Teacher Forcing
- Реализовывать NLP с нуля. От классических RNN, GRU и LSTM до топовых Encoder-Decoder архитектур. Токенизация, словари, символы и подробный разбор различных реализаций сетей
- State-of-art сегментации. Готовы к прикладным задачам: Object Detection, Object Localization, Bounding boxes и AnchorBoxes. Углубитесь в CNN
- Отличать дескриминатор от генератора. Обучите генератор выбирать данные из линейной регрессии. Реализуете сеть генерации покемонов и обучите её
- Строить языковые модели. NLP в 2019 году растет быстрее остальных сетей. NER и машинный перевод: от Word2Wec до определения тональности и преобразования текста
Достигнутые результаты после прохождения курса
- Применил все 5 методов градиентного спуска к логистической регрессии. Реализовал график функции потерь в зависимости от эпохи
- Обучил многослойный персептрон с DroupOut и регуляризацией
- Построил модель авторегрессии и спрогнозировал функцию синус
- Реализовал собственную RNN Cell и обучил языковую модель
- Выбрал оптимальную Encoder-Decoder архитектуру для задачи внимания (Attention)
- Реализовал State-of-art сегментацию для задач Object Detection
- Применил FCN и UNet к задаче сегментации
- Реализовал распознавание номеров домов
- Предсказал вероятность выпадения следующего слова на основе цепей Маркова
- Реализовал и обучил сеть генерации покемонов
Программа курса:
Программа курса доступна после записи на обучение