Проектная работа курса «Нейронные сети на Python» | OTUS
⚡ 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%
Fullstack разработчик JavaScript
-18%
JavaScript Developer. Basic Архитектор программного обеспечения
-12%
Agile Project Manager в IT MS SQL Server разработчик Разработчик игр на Unity Супер - практикум по использованию и настройке GIT VOIP инженер Framework Laravel Android-разработчик. Базовый курс AWS для разработчиков Cloud Solution Architecture Архитектура и шаблоны проектирования Разработчик Node.js Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Проектная работа курса «Нейронные сети на Python»

ML_Deep_25.10._site-5020-671400.png

Для систематизации знаний и закрепления полученной информации большинство обучающих курсов в OTUS заканчивается выполнением проекта. Это серьёзная работа, которая важна не только с точки зрения практической реализации полученных навыков, но и приносит реальную материальную пользу, так как становится своеобразным кейсом в портфолио.

На курсе «Нейронные сети на Python» проект может представлять из себя: 1. Реализацию глубокой нейронной сети для таких задач, как порождения текстов или изображений с заданными стилем и тематикой; 2. Реализацию вспомогательных библиотек, например, упрощающих проектирование и обучение нейронных сетей.

Этапы подготовки проекта

Создание выпускного проекта подразумевает несколько этапов:: 1. Выбор тематики; 2. Сбор и подготовку данных; 3. Проектирование модели или имплементацию кода; 4. Представление результатов на Хабре или GitHub.

Работа над проектом начинается после трёх блоков курса и продолжается в течение двух недель после окончания курса. Готовый проект включает в себя код модели и её обучения, описание архитектуры модели, отчёт об обучении модели, примеры генерации.

Для решения поставленных задач выпускники выбирают готовую или проектируют собственную архитектуру нейронной сети, реализуя её на Python с помощью фреймворка PyTorch.

Примеры тем проекта

Знания, полученные на курсе, позволяют студентам выполнять проекты на следующие темы: — 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.

Хотите задать вопрос? Пишите комментарий!

Не пропустите новые полезные статьи!

Спасибо за подписку!

Мы отправили вам письмо для подтверждения вашего email.
С уважением, OTUS!

Автор
0 комментариев
Для комментирования необходимо авторизоваться