Нейронные сети на Python, глубокое машинное обучение и задачи Deep Learning инженера
⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.
Подробнее

Курсы

Программирование
Backend-разработчик на PHP Scala-разработчик Алгоритмы и структуры данных Backend-разработка на Kotlin Team Lead Разработчик Python. Базовый курс C# ASP.NET Core разработчик
-25%
iOS-разработчик. Базовый курс
-25%
Супер - интенсив по паттернам проектирования
-16%
Мобильная разработка на Flutter
-15%
Нереляционные базы данных
-17%
VOIP инженер Базы данных MS SQL Server разработчик Web-разработчик на Python AWS для разработчиков Cloud Solution Architecture Архитектор высоких нагрузок Разработчик голосовых ассистентов и чат-ботов Vue.js разработчик Agile Project Manager в IT Интенсив «Оптимизация в Java» Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Нейронные сети на Python

Длительность обучения:

5 месяцев

4 ак. часа в нед.

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

Сейчас занимается глубоким обучением для разработки новых лекарственных препаратов. 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.

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
Сейчас занимается глубоким обучением для разработки новых лекарственных препаратов. 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.

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. Генеративные состязательные сети
Тема 23. Глубокие сверточные сети. Сегментация
Тема 24. Глубокие сверточные сети. Детекция
C 12 августа
Тема 25. Катастрофическое забывание
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.

Корпоративное обучение для ваших сотрудников
Поможем вашей компании развивать команду! Профиты данного курса для компании: Специалисты умеют самостоятельно программировать сложные нейронные сети c использованием PyTorch, Tensorflow, Keras / Решение задач компьютерного зрения (CV), обработки естественного языка (NLP) и обучения с подкреплением во время практики.
>
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.
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
Онлайн-интенсив «Обучение с подкреплением на примере игры Крестики-нолики»
Артур Кадурин