Искусственный интеллект и нейросети

Нейросети позволяют компьютерам обучаться на собственном опыте, адаптироваться к задаваемым параметрам и выполнять те задачи, которые раньше были под силу только человеку. В большинстве случаев реализации — от компьютерных шахматистов до беспилотных автомобилей — крайне важна возможность глубокого обучения и обработки естественного языка. Благодаря этим технологиям компьютеры можно «научить» выполнению определенных задач с помощью обработки большого объема данных и выявления в них закономерностей.

Кому подойдет этот курс?

Нейросети

IT-профессия

Для учащихся 9-11 классов и студентов

Практикующим разработчикам. Курс для тех,  кто смотрит в будущее и хочет жить в мире с искусственными интеллектуальными системами. Рекомендован после прохождения курсов "Машинное обучение и большие данные". 

Какие знания дает курс?

Основы интерактивной визуализации, рекуррентные нейросети, классификация текстов, 

современные подходы к построению рекомендательных систем. Наработки данной сферы преимущественно используются в бизнесе для построения AGI-based вопросно-ответных систем, алгоритмы которых лежат в основе поисковых машин, чат-ботов, автоматизации работы колл-центров и технической поддержки, обработки обращений граждан, сбора обратной связи и т.п.

Как проходит обучение?

Где могут пригодиться полученные знания?

После успешного обучения учащийся получит востребованную IT - специальность и сможет претендовать на позицию Junior Data Scientist в технологической компании. Этот курс необходим для участия в Олимпиаде НТО - профиль "Искусственный интеллект ".

Программа курса

1. Введение в нейронные сети
2. Обучение нейронных сетей
3. Нейронные сети на практике
4. Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
5. Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
6. Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
7. Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
8. Детектирование объектов. Задачи классификации и локализации 
9. Детектирование объектов. Анализ и реализация R-CNN-архитектуры
10. Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
11. От дискриминативных моделей к генеративным. Style transfer
12. Генеративные состязательные сети
13. Введение в NLP
14. NLP на нейросетях. Рекуррентные нейросети, классификация текстов
15. NLP на нейросетях. Языковые модели, Attention, Transformer
16. Обучение с подкреплением. Q-Learning
17. Обучение с подкреплением. Deep Q-Learning
18. Ускорение и оптимизация нейронных сетей
19. Внедрение DL моделей в production
20. Введение в рекомендательные системы и задачи ранжирования
21. Современные подходы к построению рекомендательных систем 

Преподаватель

Записаться на курс