Deep Learning. Basic | OTUS
🔥 Начинаем BLACK FRIDAY!
Максимальная скидка -25% на всё. Успейте начать обучение по самой выгодной цене.
Выбрать курс

Курсы

Программирование
iOS Developer. Basic
-25%
Python Developer. Professional
-25%
Разработчик на Spring Framework
-25%
Golang Developer. Professional
-25%
Python Developer. Basic
-25%
iOS Developer. Professional
-25%
Highload Architect
-25%
JavaScript Developer. Basic
-25%
Kotlin Backend Developer
-25%
JavaScript Developer. Professional
-25%
Android Developer. Basic
-25%
Unity Game Developer. Basic
-25%
Разработчик C#
-25%
Программист С Web-разработчик на Python Алгоритмы и структуры данных Framework Laravel PostgreSQL Reverse-Engineering. Professional CI/CD Vue.js разработчик VOIP инженер Программист 1С Flutter Mobile Developer Супер - интенсив по Kubernetes Symfony Framework Advanced Fullstack JavaScript developer Супер-интенсив "Azure для разработчиков"
Инфраструктура
Мониторинг и логирование: Zabbix, Prometheus, ELK
-25%
DevOps практики и инструменты
-25%
Архитектор сетей
-25%
Инфраструктурная платформа на основе Kubernetes
-25%
Супер-интенсив «ELK»
-16%
Супер-интенсив «IaC Ansible»
-16%
Супер-интенсив "SQL для анализа данных"
-16%
Базы данных Сетевой инженер AWS для разработчиков Cloud Solution Architecture Разработчик голосовых ассистентов и чат-ботов Внедрение и работа в DevSecOps Администратор Linux. Виртуализация и кластеризация Нереляционные базы данных Супер-практикум по использованию и настройке GIT IoT-разработчик Супер-интенсив «СУБД в высоконагруженных системах»
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Deep Learning. Basic

Курс для начинающих программистов, аналитиков и студентов технических специальностей, желающих разобраться с нуля, как строить современные решения на основе методов глубокого обучения.

Длительность обучения:

4 месяца

4 ак. часа в нед.

В апреле 2021 года

Что даст вам этот курс


  • Повторим с вами необходимые области математики: теорию информации, теорию вероятности, линейную алгебру и основы анализа.

  • Изучим основные библиотеки и фреймворки для машинного обучения работы с нейронными сетями: от NumPy до TensorFlow.

  • Решим классические задачи глубокого обучения по всем основным направлениям: "Компьютерное зрение", "Обработка естественных языков", "Обучение с подкреплением", "Генеративные сети".


      После прохождения курса вы:

    • сможете пройти собеседование на должность Junior Deep Learning Engineer;
    • научитесь решать задачи машинного обучения с помощью нейронных сетей, такие как: генерация рукописных цифр, самообучающийся бот для игры в крестики-нолики, классификация изображений и т. д.;
    • будете знать теорию, необходимую для прохождения продвинутых курсов.

      Карта курсов направления Data Science в OTUS





    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
Артем Васильев
Ведущий Инженер Разработки ПАО Сбербанк
Дмитрий Хизбуллин
Евгения Ческидова
Deep Learning Engineer в Wolf3d, Таллин
Антон Витвицкий
BOOST INC., Head of Computer Vision
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.

Занимается разработкой систем анализа поведения и действий. Работал над проектами по дистанционному зондированию и анализу данных с метеозондов, спутников и других БПЛА.
Научные интересы в области распознавания поз и действий человека и стеганографии с применением нейронных сетей

Разработчик и исследователь с 10+ лет опыта работы в России, Германии и Эстонии, специализирующийся на глубоком обучении, компьютерном зрении и беспилотных автомобилях. В данный момент Дмитрий является тим-лидом в исследовательском центре Huawei и работает над зрением беспилотных автомобилей и распределенной тренировкой нейронных сетей.

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».

Эксперт по компьютерному зрению и глубокому обучению, дипломированный инженер-программист и кандидат физ-мат наук.

С 2012 по 2017 занимался распознаванием лиц в компании WalletOne, чьи решения поставлялись для бизнеса в странах Южной Африки и Европы. Участвовал в стартапе Mirror-AI, где руководил командой компьютерного зрения. В 2017 стартап прошел Y-combinator и получили инвестиции для создания приложения в котором пользователь может реконструировать свой аватар по селфи. В 2019 участвовал в британском стартапе Kazendi Ltd., в проекте HoloPortation. Цель проекта - реконструкция 3D-аватаров для очков дополненной реальности HoloLens. C 2020 руководит командой компьютерного зрения в американском стартапе Boost Inc., который занимается видеоаналитикой в баскетболе для NCAA.

Артур
Кадурин
Михаил
Степанов
Артем
Васильев
Дмитрий
Хизбуллин
Евгения
Ческидова
Антон
Витвицкий

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.

Артем Васильев
Ведущий Инженер Разработки ПАО Сбербанк
Занимается разработкой систем анализа поведения и действий. Работал над проектами по дистанционному зондированию и анализу данных с метеозондов, спутников и других БПЛА.
Научные интересы в области распознавания поз и действий человека и стеганографии с применением нейронных сетей

Дмитрий Хизбуллин
Разработчик и исследователь с 10+ лет опыта работы в России, Германии и Эстонии, специализирующийся на глубоком обучении, компьютерном зрении и беспилотных автомобилях. В данный момент Дмитрий является тим-лидом в исследовательском центре Huawei и работает над зрением беспилотных автомобилей и распределенной тренировкой нейронных сетей.

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».

Антон Витвицкий
BOOST INC., Head of Computer Vision
Эксперт по компьютерному зрению и глубокому обучению, дипломированный инженер-программист и кандидат физ-мат наук.

С 2012 по 2017 занимался распознаванием лиц в компании WalletOne, чьи решения поставлялись для бизнеса в странах Южной Африки и Европы. Участвовал в стартапе Mirror-AI, где руководил командой компьютерного зрения. В 2017 стартап прошел Y-combinator и получили инвестиции для создания приложения в котором пользователь может реконструировать свой аватар по селфи. В 2019 участвовал в британском стартапе Kazendi Ltd., в проекте HoloPortation. Цель проекта - реконструкция 3D-аватаров для очков дополненной реальности HoloLens. C 2020 руководит командой компьютерного зрения в американском стартапе Boost Inc., который занимается видеоаналитикой в баскетболе для NCAA.

Необходимые знания
  • Математика на уровне средней школы.
  • Владение языком программирования Python на базовом уровне.
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
Тема 1. Обзорное занятие
Тема 2. Градиентный спуск. Математика
Тема 3. Градиентный спуск. Вывод
Тема 4. Numpy
Тема 5. Распределения и информация
Тема 6. Линейная регрессия на TensorFlow
Тема 7. Логрегрессия на pytorch
Тема 8. TensorFlow
Тема 9. PyTorch
Тема 10. Переобучение и регуляризация
Тема 11. Взрыв и затухание градиентов
Тема 12. Автокодирование
Тема 13. Адаптивные методы градиентного спуска
Тема 14. Вариационный автокодировщик
C 5 декабря
Тема 15. Сверточные сети. Классифицируем MNIST
Тема 16. Сверточные сети. fine-tunning
Тема 17. Обучение с подкреплением. Q-learning для TicTacToe
Тема 18. Рекуррентные сети
Тема 19. GANs
Тема 20. Автокодировщики 2
Тема 21. Что дальше? Обзор направлений DL
C 13 января
Тема 22. Выбор темы и организация проектной работы
Тема 23. Консультация по проектам и домашним заданиям
Тема 24. 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:

  • обучение с подкреплением. Нейронная сеть для игры в крестики-нолики;

  • компьютерное зрение. Генерация новых изображений;

  • обработка естественных языков. Посимвольная генерация текста.

Процесс обучения
Образовательный процесс на курсе "Deep Learning. Basic" 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;

  • получите приглашение пройти собеседование в компаниях-партнёрах (в случае успешного освоения программы курса).

Дата выдачи сертификата: 25 сентября 2021 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Deep Learning. Basic»
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 «Deep Learning. Basic»
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
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.
Метод максимального правдоподобия
Артур Кадурин
Как написать и протестировать нейронную сеть
Михаил Степанов
Партнеры ждут выпускников этого курса
🎁 Максимальная скидка!
Черная пятница уже в OTUS! Скидка -25% на всё!