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

Deep Learning
Цена
45000
Кэшбэк до 7,5%
2 месяца2 месяца
Сертификат гос. образцаСертификат гос. образца
РусскийРусский
Нетология
Купить с кэшбэком

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