👋 Канал OTUS в Telegram!
Посты от приглашенных гостей из IT-тусовки, полезные статьи, подборки вакансий от партнеров ➞
Подробнее

Курсы

Программирование
Архитектор программного обеспечения
-40%
Архитектура и шаблоны проектирования
-40%
Fullstack разработчик JavaScript
-40%
MS SQL Server разработчик
-40%
Android-разработчик. Продвинутый курс
-40%
Android-разработчик. Базовый курс
-40%
Backend-разработка на Kotlin
-30%
Программист 1С
-30%
Symfony Framework
-30%
Разработчик на Spring Framework
-20%
Разработчик Golang
-25%
C# ASP.NET Core разработчик
-25%
iOS-разработчик. Базовый курс
-25%
VOIP инженер Базы данных Web-разработчик на Python Разработчик программных роботов (RPA) на базе UiPath и PIX Разработчик игр на Unity Vue.js разработчик Agile Project Manager в IT Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена

Нейронные сети на Python

Длительность обучения:

Формат:

Начало занятий:

5 месяцев

4 ак. часа в нед.

Online

В сентябре

Что даст вам этот курс


  • В первых двух модулях курса мы разбираем всю необходимую теорию для дальнейшего погружения в глубокое обучение, изучаем основные фреймворки (PyTorch, Keras, Tensorflow) для разработки нейронных сетей и решаем классические задачи компьютерного зрения, обработки естественных языков и обучения с подкреплением.
  • Третий модуль посвящен современным подходам к решению классических задач компьютерного зрения и обработки естественных языков. Мы узнаем, как от предсказательных моделей перейти к генеративным, научимся работать с нестандартными представлениями данных и решать задачи в условиях недостаточной разметки.
  • В четвертом модуле обсуждаются подходы к решению задач, традиционно считавшихся “человеческими”. Мы поговорим о фантазии, подражании, использовании собственного опыта и неструктурируемых данных.







Научитесь работать с нейронными сетями с использованием фреймворков PyTorch, Tensorflow, Keras


Изучите теорию и практику по таким важным направлениям Deep Learning как Computer Vision, NLP, обучение с подкреплением

Самый современный материал про глубокое обучение

Программа подготовлена признанным экспертом по глубокому обучению


Нейронные сети — как дети: их можно научить чему угодно. Но нужно помнить и о трудностях, сопровождающих каждого родителя: неправильные методы обучения, недостаток хороших примеров или несоответствие архитектуры ребёнка поставленным задачам могут привести к непредсказуемым результатам.
Артур Кадурин
Преподаватель курса
Нейронные сети — как дети: их можно научить чему угодно. Но нужно помнить и о трудностях, сопровождающих каждого родителя: неправильные методы обучения, недостаток хороших примеров или несоответствие архитектуры ребёнка поставленным задачам могут привести к непредсказуемым результатам.
Артур Кадурин
Преподаватель курса

Преподаватели

Артур Кадурин
Chief AI Officer Insilico Medicine
Михаил Степанов
Data Scientist Insilico Medicine
Роман Захаров
Senior data scientist в Райффайзенбанке
Александр Никитин
Специалист по Machine Learning
Евгения Ческидова
Deep Learning Engineer в Wolf3d, Таллин
В Mail.Ru Group был первым сотрудником в группе по анализу данных департамента рекламных технологий. После того, как группа выросла в отдел, возглавил группу сегментирования аудитории. Руководил и участвовал в проектах, связанных с анализом пользовательского поведения в рекламе, соцсетях, играх и т. д.

С 2016 года применяет методы глубокого обучения для научных исследований в области медицинской химии совместно с командой Insilico Medicine, где после успешного проекта занял должность директора по AI. В конце 2017 г. возглавил дочернюю компанию Insilico Taiwan в качестве исполнительного директора.

В 2008 году получил специальность математика и системного программиста в Кубанском Государственном Университете на Факультете Компьютерных Наук и Прикладной Математики, с 2013 года занимается машинным обучением.

Соавтор книги Глубокое обучение
Соавтор многочисленных научных публикаций: Google Scholar

Занимался проектами по агрегации отзывов, по анализу и оптимизации производства крупных промышленных компаний, в том числе проектами по face detection, face recognition, pose estimation. Оптимизировал модели для запуска на портативных или маломощных устройствах.
Сейчас занимается глубоким обучением для разработки новых лекарственных препаратов.

Ранее учил талантливых школьников программированию, машинному обучению и программированию учебных моделей спутников.

Эксперт по анализу данных и машинному обучению. Специалист по компьютерному зрению, распознаванию изображений, трекингу и локализации объектов.

Работал в различных проектах, связанных с телекомом, видеонаблюдением, бухгалтерской сферой, юридической и банковской индустрией. Неоднократный участник отраслевых конференций, посвящённых технологиям программирования и машинному обучению. Проводит митапы, семинары, лекции и практики по технологиям машинного и глубокого обучения.

Область интересов: Deep Learning, CV, NLP, NER, Anomaly detection, Python

Образование: аспирантура кафедры общей информатики Самарского государственного аэрокосмического университета (СГАУ).

Разработчик и data scientist с 6-летним опытом. В данное время занимается консалтингом и аутсорсом по машинному обучению для компаний в России, Европе и Австралии. Работал ML-инженером в Яндексе.
Научные интересы касаются обработки естественного языка, построения векторных представлений для слов и текстов, тематического моделирования.

Образование: МФТИ (факультет инноваций и высоких технологий)

Машинное обучение и анализ данных преподает с 2015 года на курсах, летних школах и семинарах.
Александр получает огромное удовольствие от обучения людей и стремится делиться знаниями с сообществом.

Специалист по глубокому обучению и аналитик данных с опытом. Работала в лаборатории нейронных сетей и глубокого обучения в МФТИ и в «Тинькофф».

Занималась разработкой чат-ботов и глубоким обучением, связанным с методами обработки естественного языка. Преподавала курс по нейронным сетям и глубокому обучению в ВШЭ на факультете математики, а также курс по обработке естественного языка на образовательной платформе «Тинькофф». Кроме того, вела курсы в различных летних школах.

Около года занимается компьютерным зрением в стартапе Wolf3d. Сейчас работает над технологией восстановления 3Д-меша лица по одной фотографии. Главная сфера интересов в глубоком обучении в настоящий момент — работа с 3D-данными.

Образование: бакалавриат МФТИ по направлению «Прикладная математика и физика».

Артур
Кадурин
Михаил
Степанов
Роман
Захаров
Александр
Никитин
Евгения
Ческидова

Преподаватели

Артур Кадурин
Chief AI Officer Insilico Medicine
В Mail.Ru Group был первым сотрудником в группе по анализу данных департамента рекламных технологий. После того, как группа выросла в отдел, возглавил группу сегментирования аудитории. Руководил и участвовал в проектах, связанных с анализом пользовательского поведения в рекламе, соцсетях, играх и т. д.

С 2016 года применяет методы глубокого обучения для научных исследований в области медицинской химии совместно с командой Insilico Medicine, где после успешного проекта занял должность директора по AI. В конце 2017 г. возглавил дочернюю компанию Insilico Taiwan в качестве исполнительного директора.

В 2008 году получил специальность математика и системного программиста в Кубанском Государственном Университете на Факультете Компьютерных Наук и Прикладной Математики, с 2013 года занимается машинным обучением.

Соавтор книги Глубокое обучение
Соавтор многочисленных научных публикаций: Google Scholar

Михаил Степанов
Data Scientist Insilico Medicine
Занимался проектами по агрегации отзывов, по анализу и оптимизации производства крупных промышленных компаний, в том числе проектами по face detection, face recognition, pose estimation. Оптимизировал модели для запуска на портативных или маломощных устройствах.
Сейчас занимается глубоким обучением для разработки новых лекарственных препаратов.

Ранее учил талантливых школьников программированию, машинному обучению и программированию учебных моделей спутников.

Роман Захаров
Senior data scientist в Райффайзенбанке
Эксперт по анализу данных и машинному обучению. Специалист по компьютерному зрению, распознаванию изображений, трекингу и локализации объектов.

Работал в различных проектах, связанных с телекомом, видеонаблюдением, бухгалтерской сферой, юридической и банковской индустрией. Неоднократный участник отраслевых конференций, посвящённых технологиям программирования и машинному обучению. Проводит митапы, семинары, лекции и практики по технологиям машинного и глубокого обучения.

Область интересов: Deep Learning, CV, NLP, NER, Anomaly detection, Python

Образование: аспирантура кафедры общей информатики Самарского государственного аэрокосмического университета (СГАУ).

Александр Никитин
Специалист по Machine Learning
Разработчик и data scientist с 6-летним опытом. В данное время занимается консалтингом и аутсорсом по машинному обучению для компаний в России, Европе и Австралии. Работал ML-инженером в Яндексе.
Научные интересы касаются обработки естественного языка, построения векторных представлений для слов и текстов, тематического моделирования.

Образование: МФТИ (факультет инноваций и высоких технологий)

Машинное обучение и анализ данных преподает с 2015 года на курсах, летних школах и семинарах.
Александр получает огромное удовольствие от обучения людей и стремится делиться знаниями с сообществом.

Евгения Ческидова
Deep Learning Engineer в Wolf3d, Таллин
Специалист по глубокому обучению и аналитик данных с опытом. Работала в лаборатории нейронных сетей и глубокого обучения в МФТИ и в «Тинькофф».

Занималась разработкой чат-ботов и глубоким обучением, связанным с методами обработки естественного языка. Преподавала курс по нейронным сетям и глубокому обучению в ВШЭ на факультете математики, а также курс по обработке естественного языка на образовательной платформе «Тинькофф». Кроме того, вела курсы в различных летних школах.

Около года занимается компьютерным зрением в стартапе Wolf3d. Сейчас работает над технологией восстановления 3Д-меша лица по одной фотографии. Главная сфера интересов в глубоком обучении в настоящий момент — работа с 3D-данными.

Образование: бакалавриат МФТИ по направлению «Прикладная математика и физика».

Отзывы
Андрей
Разбаков
Нейронные сети — это не просто, но очень интересно. Практика и теория, подробное объяснение принципов и моделей — это все тут в изобилии.
Помимо базовых архитектур и их особенностей курс открыл для меня удивительный мир состязательных генеративных сетей. В столь короткий срок получить такие глубокие и обширные знания в этой области я бы точно самостоятельно не смог.
Читать целиком
Андрей
Разбаков
Нейронные сети — это не просто, но очень интересно. Практика и теория, подробное объяснение принципов и моделей — это все тут в изобилии.
Помимо базовых архитектур и их особенностей курс открыл для меня удивительный мир состязательных генеративных сетей. В столь короткий срок получить такие глубокие и обширные знания в этой области я бы точно самостоятельно не смог.
Читать целиком
Необходимые знания
  • Знание линейной алгебры, начала анализа и теории вероятностей.
  • Владение языком программирования Python на базовом уровне.
  • Базовые знания классических алгоритмов машинного обучения: метод градиентного спуска, линейная и логистическая регрессия.
Подготовительный курс

  • Основные возможности языка Python

  • Создание сайтов на Django

  • Библиотеки для анализа данных

  • Подготовка к курсам "Web-разработчик на Python" и "Разработчик Python"

Записаться
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
Тема 1. Искусственный интеллект и другие задачи которые можно решать с помощью нейронных сетей
Тема 2. Стохастический градиентный спуск и метод обратного распространения
Тема 3. Первая нейронная сеть на PyTorch
Тема 4. Переобучение и регуляризация нейронных сетей
Тема 5. Первая нейронная сеть на Tensorflow
Тема 6. Взрыв и затухание градиентов
Тема 7. Погружение в Tensorflow
Тема 8. Адаптивные методы градиентного спуска
Тема 9. Основные архитектуры нейронных сетей: Автокодировщики
Тема 10. Практическое занятие на TensorFlow. Разреженный Автокодировщик
Тема 11. Основные архитектуры нейронных сетей: Сверточные сети
Тема 12. Практическое занятие на Keras. Transfer Learning
Тема 13. Основные архитектуры нейронных сетей: Рекуррентные сети
Тема 14. Практическое занятие на PyTorch. Генерация Википедии
Тема 15. Введение в обучение с подкреплением
Тема 16. Практическое занятие. Крестики-нолики
Тема 17. Современные сверточные сети. Блоки и шорткаты
Тема 18. Современные рекуррентные сети. Внимание
Тема 19. Современные рекуррентные сети. Трансформеры
Тема 20. Metric-learning и обучение без примеров
Тема 21. Современные сверточные сети. Transfer learning и fine-tuning
Тема 22. Катастрофическое забывание
Тема 23. Глубокие сверточные сети. Сегментация
Тема 24. Глубокие сверточные сети. Детекция
C 12 августа
Тема 25. Генеративные состязательные сети
Тема 26. Вариационный и состязательный автокодировщики
Тема 27. Доменная адаптация и условная генерация
Тема 28. Генеративные модели для текстов
Тема 29. Глубокое обучение с подкреплением
Тема 30. Обратное обучение с подкреплением
Тема 31. Сверточные и рекуррентные сети на графах
Тема 32. Сферические свертки и множества точек
C 9 сентября
Тема 33. Выбор темы и организация проектной работы
Тема 34. Консультация по проектам и домашним заданиям
Тема 35. Защита проектных работ
Скачать подробную программу
Выпускной проект
В рамках курса предусмотрена защита проекта. Он представляет собой генеративную модель для порождения текста заданного стиля или изображений заданной тематики.


Работа над проектом проходит поэтапно:
1. Выбор тематики.
2. Сбор и подготовка соответствующих данных.
3. Построение и обучение генеративной модели


Проект выполняется программистом в течение двух недель после прохождения курса. Готовое решение должно включать в себя код модели и ее обучения на Python, описание архитектуры модели, отчет об обучении модели и примеры генерации.


Примеры тем проекта:

  • имплементация универсального класса оптимизатора, обобщающего различные методы градиентного спуска для PyTorch;

  • состязательная нейронная сеть для порождения изображений рукописного текста с заданным стилем;

  • генеративная модель повышения разрешения изображений;

  • рекуррентная состязательная seq2seq-архитектура для порождения стихотворений на основе обычного текста.

Процесс обучения
Образовательный процесс на курсе "Нейронные сети на Python" проходит в формате вебинаров (онлайн). Слушателям предлагаются к выполнению домашние задания, которые позволят применить на практике полученные во время вебинаров знания. По каждому домашнему заданию преподаватель даёт развернутый фидбек. При написании кода используется Python.
Преподаватель находится в едином коммуникационном пространстве с группой, т. е. слушатель может задавать преподавателю уточняющие вопросы по материалам лекций и домашних заданий.

Интенсивность: 2 онлайн-вебинара в неделю по 2 часа каждый и от 1 до 4 часов на домашнюю работу.
Получить консультацию
Наш специалист свяжется с вами в ближайшее время. Если у вас возникли трудности в выборе курса или проблемы технического плана, то мы с радостью поможем вам.
Спасибо!
Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.
После обучения вы

  • получите материалы по всем пройденным занятиям (презентации, видеозаписи вебинаров, примеры кодов на Python);

  • станете специалистом в такой сфере, как глубокое машинное обучение;

  • получите сертификат об окончании курса;

  • повысите свои знания до уровня Middle/Senior;

  • получите приглашение пройти собеседование в компаниях-партнёрах (в случае успешного освоения программы на курсе «Нейронные сети на Python»).

Дата выдачи сертификата: 4 апреля 2021 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Нейронные сети на Python»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Нейронные сети на Python»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.
Прошедшие открытые вебинары по курсу
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
Triplet Loss: учим нейросеть узнавать объекты с первого раза
Михаил Степанов
День открытых дверей
21 апреля в 20:00
Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 2 недели
Результаты тестирования будут отправлены вам на e-mail, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Пройти вступительное тестирование
Общая стоимость
50 000 ₽ 42 500 ₽
В месяц: 12 500 ₽
Продолжительность
5 месяцев
Начало занятий
28 сентября