Deep Learning

Познакомитесь с различными архитектурами свёрточных сетей: LeNet, AlexNet, VGG, NiN, GoogLeNet, ResNet. 2 часа теории 3 часа практики Архитектуры свёрточных сетей: LeNet AlexNet VGG Network in network (NiN) GoogLeNet Residual Network (ResNet) DenseNet

1. Архитектуры свёрточных сетей:LeNetAlexNetVGGNetwork in network (NiN)GoogLeNetResidual Network (ResNet)DenseNetВремя не указано

Научитесь использовать в коде различные методы аугментации и Transfer Learning для улучшения обучения сети. 2 часа теории 3 часа практики Аугментации Динамическое изменение learning rate (LR Schedulers) Transfer learning: fine tuning, feature extractors Архитектуры Feature extractors: VGG, EfficientNet, MobileNet

1. АугментацииВремя не указано
2. Динамическое изменение learning rate (LR Schedulers)Время не указано
3. Transfer learning: fine tuning, feature extractorsВремя не указано
4. Архитектуры Feature extractors: VGG, EfficientNet, MobileNetВремя не указано

Поймёте, как построить языковые модели. Узнаете, зачем нужны рекуррентные нейронные сети и как они работают. Рассмотрите виды рекуррентных нейронных сетей: GRU и LSTM. Сгенерируете текст при помощи нейросети. Узнаете, как строить более глубокие RNN. Познакомитесь с двунаправленными RNN (bidirectional RNN). Узнаете о возможностях Residual Connections для RNN. Изучите архитектуру модели Encoder-decoder, познакомитесь с понятием информационный bottleneck. Потренируетесь решать задачи машинного перевода на основе рекуррентных сетей. 8 часов теории 9 часов практики Языковые модели Обучение рекуррентных нейросетей GRU и LSTM Генерация текста Deep RNN BiRNN Residual Connections Encoder-Decoder архитектура Машинный перевод

1. Языковые моделиВремя не указано
2. Обучение рекуррентных нейросетейВремя не указано
3. GRU и LSTMВремя не указано
4. Генерация текстаВремя не указано
5. Deep RNNВремя не указано
6. BiRNNВремя не указано
7. Residual ConnectionsВремя не указано
8. Encoder-Decoder архитектураВремя не указано
9. Машинный переводВремя не указано

Познакомитесь с механизмом внимание (attention) и его основными видами: dot-product, линейная модель, аддитивная модель, self-attention и multi-head attention. Изучите два способа реализации внимания: на скалярном произведении и на MLP. Узнаете, как attention привёл к появлению архитектуры Transformer. 2 часа теории 3 часа практики Виды внимания Трансформер

1. Виды вниманияВремя не указано
2. ТрансформерВремя не указано

Изучите основные датасеты и метрики качества для решения задач визуального обнаружения объектов и распознавания изображений. Познакомитесь с подходами к детектированию объектов: Region Based, YoLo, SSD. Узнаете, что такое семантическая сегментация. Познакомитесь с архитектурами SegNet и U-Net. Узнаете различные методы модификации изображений: технология Deep dream, матрица Грама, генерация текстур, Neural style transfer. 7 часов теории 9 часов практики Задача детекции Архитектуры Region Based, YoLo и SSD Семантическая сегментация Архитектуры SegNet и U-Net Модификации изображений

1. Задача детекцииВремя не указано
2. Архитектуры Region Based, YoLo и SSDВремя не указано
3. Семантическая сегментацияВремя не указано
4. Архитектуры SegNet и U-NetВремя не указано
5. Модификации изображенийВремя не указано

Познакомитесь с понятием «векторное представление слов» (word embedding) и основными методами построения векторов слов: SVD, Word2vec. Узнаете, что такое transfer learning и как оно используется в NLP. Познакомитесь с основными предобученными текстовыми моделями: ELMo, BERT и его вариациями, GPT. Сможете решать задачи классификации, межъязыкового семантического поиска и генерации продолжения текста. 4 часа теории 6 часов практики Векторные представления слов Сингулярное разложение (SVD) Word2Wec FastText Модель ELMo BERT и его вариации GPT

1. Векторные представления словВремя не указано
2. Сингулярное разложение (SVD)Время не указано
3. Word2WecВремя не указано
4. FastTextВремя не указано
5. Модель ELMoВремя не указано
6. BERT и его вариацииВремя не указано
7. GPTВремя не указано

Научитесь применять обычные и вариационные автоэнкодеры и строить архитектуру генеративных состязательных сетей (Generative Adversarial Networks, GAN). Создадите генератор лиц аниме с использованием GAN. Познакомитесь с глубоким обучением с подкреплением. 3 часа теории 3 часа практики Автоэнкодеры Вариационные автоэнкодеры (VAE) Генеративные состязательные сети (GAN) Типы генеративных состязательных сетей Проблемы генеративных состязательных сетей Глубокое обучение с подкреплением

1. АвтоэнкодерыВремя не указано
2. Вариационные автоэнкодеры (VAE)Время не указано
3. Генеративные состязательные сети (GAN)Время не указано
4. Типы генеративных состязательных сетейВремя не указано
5. Проблемы генеративных состязательных сетейВремя не указано
6. Глубокое обучение с подкреплениемВремя не указано

Вы самостоятельно выбираете задачу и тему проекта и работаете над ним под руководством преподавателей курса. В результате защитите диплом перед экспертом. 2 часа теории 20 часов практики