Курсы по PyTorch

Освоите всё с нуля за 13 месяцев — от простого к сложному. Будете решать настоящие задачи бизнеса и практиковаться на реальных данных от лидеров индустрии.

За 17 месяцев обучения по 15 часов в неделю вы освоите навыки.

Для кого? Сфера IT: для системных аналитиков, разработчиков, тестировщиков, инженеров Прочие сферы: для всех специалистов, которые могут и хотят освоить ML Вы освоите: Python с 0 до качественного уровняML-библиотеки: pandas, numpy, matplotlib, seaborn, scipy, sklearnСистему управления версиями GitSQL (от простых функций до оконных)A/B тестированиеDeep Learning (PyTorch, реккурентные сети и другое)NLP (парсинг и анализ текстовых данныx) Анализ временных рядов Рекомендательные системы Необходимые знания Специальных знаний не требуется.Однако базовые знания линейной алгебры, математического анализа, теории вероятностей и математической статистики помогут вам быстрее усваивать программу.

Для кого этот курс? Для студентов профильных ВУЗов, программистов и специалистов Data Science, которые: Хотят научиться решать задачи в области Computer VisionУже знакомы с Deep Learning и нейронными сетями, и хотят расширить свои знанияИ просто тем, кому нравится работать с визуальной информацией (изображения, фотографии, видео, 3д-сцены) Необходимые знания: Базовое знакомство с PythonБазовые знания линейной алгебры (матрицы, векторы, градиентный спуск)Базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия) Что даст вам этот курс? Вы освоите современные техники, методы, подходы, архитектуры и алгоритмы в области Computer Vision и сможете решать индустриальные задачи, используя полученные навыки. По ходу курса вы будете создавать и обучать модели нейронных сетей для решения таких задач как: Классификация и сегментация изображенийДетекция и отслеживание объектов на видеоОбработки и анализа трехмерных сценРаспознавание лиц и людей по силуэтуГенерация и реконструкция изображенийОписание действий, происходящих на видеоОптимизация и ускорение работы нейросетейРазвертывание моделей в продакшн Вы также научитесь пользоваться современными фреймворками и библиотеками для работы с нейронными сетями и алгоритмами компьютерного зрения, такими как PyTorch, HuggingFace, OpenCV, Kornia, MMLab, Ultralitics, TensorRT,  ResNet и EfficientNet, до самых современных Vision Transformers, таких как MViT и другие. Во время курса вы: Разберетесь в принципах работы и архитектурах нейронных сетейНаучитесь работать с датасетами изображений и видео, а также применять различные техники аугментации данныхУзнаете как детектировать объекты на изображениях и спутниковых снимках при помощи детекторов из семейства YOLO Разберетесь как сегментировать изображения и медицинские снимки при помощи разных техникУзнаете как распознавать лица с высокой степенью точностиПознакомитесь с методами отслеживания и трекинга объектов на видеоПолучите опыт в решении задач связанных с калибровкой камер и анализом геометрии сценыПопрактикуйтесь развертывать свою модель на сервере

Вы изучите, как работают модели на основе нейронных сетей, на что они способны на данный момент и каковы их ограничения. А также получите практический опыт решения реальных задач и разработки с Pytorch.

Погрузитесь в NLP: освойте различные языковые модели и создайте собственный телеграм-бот

Вы изучите основы программирования и основные концепции компьютерных наук, цифровые технологии, операционные системы, программное обеспечение, базы данных, системы аналитики, языки программирования и многое другое. Познакомитесь с тестированием и системным анализом. На программе сможете сделать осознанный выбор специализации и технологий, прокачаться в выбранном направлении.

Курс предназначен для приобретения знаний и навыков в области глубокого обучения для работы с нейросетями. Курс детально разбирает нейросетевые архитектуры и практические способы создания моделей для классификации, обнаружения, сегментации и локализации объектов, генерации изображений и текстов, в т.ч. с применением предобученных сетей с их последующим дообучением и тонкой настройкой под конкретные предметные области.

• Архитектуры нейронных сетей:
  • Нейрон, веса, функции активации, обучение.
• Области применения нейронных сетей.
• Основные классы задач, решаемых сетями.
• Методы оптимизации, метрики, функции потерь, управление гиперпараметрами.
• Тензоры, переменные, градиенты, функции, модели, обучение.
• Устройство TensorFlow и PyTorch, модели и виды слоев в Keras.

• Архитектура CNN:
  • Фильтры, пулинг, 1D/2D/3D.
• Обучение сверточных сетей.
• Идеи удачных архитектур:
  • AlexNet.
  • VGG.
  • Inception.
  • ResNet.
• Алгоритм градиентного спуска и его варианты.
• Регуляризация, Dropout, Batch Normalization.
• Способы доучивания сетей:
  • Полные и частичные.
• Использование предобученных сетей в других задачах.

• Виды задач:
  • Классификация.
  • Разметка.
  • Генерация.
  • Seq2seq.
• Представления слов и текстов:
  • Эмбеддинги.
  • Word2Vec, FastText.
• Языковые модели:
  • ELMo.
  • BERT.
  • Трансформеры, механизм внимания.
  • GPT.
  • XLNet.

• Сети для сегментации изображений.
• Сети для детектирования объектов на изображениях.
• GAN для генерации изображений.
• Диффузионные модели:
  • Stable Diffusion.

• Принципы обучения с подкреплением и основные подходы:
  • Q-обучение.
• Глубокое обучение с подкреплением.

Освойте методы обучения с подкреплением и их применение в реальных задачах. Этот курс предоставляет всесторонний обзор RL и DRL, включая основы математики, базовые алгоритмы и современные исследования. Вы научитесь моделировать среды RL и применять алгоритмы для решения.

• Линейная алгебра: обзор основных концепций.
• Математический анализ:
  • Интегралы.
  • Производные.
  • Примеры.
• Теория вероятностей:
  • Случайные величины.
  • Функции плотности вероятности.
  • Математическое ожидание.
  • Условные, совместные и безусловные вероятности.
  • Примеры.

• Практика 1. Введение в RL:
  • Марковские процессы принятия решений.
  • Динамическое программирование с примером.
  • Уравнение Беллмана.
  • Оценка стратегии.
  • Итерация по стратегиям.
  • Итерация по ценностям.
  • Примеры.
• Практика 2. На основе модели и без модели:
  • Обучение и планирование.
  • Детерминированное.
  • Стохастическое.
  • Аппроксимация линейной функции-значения.
  • Сравнение и практика.
• Практика 3. Алгоритмы:
  • Q-обучение.
  • SARSA.
  • Методы Исполнитель-критик.
  • Градиент стратегии.
  • Методы дерева Монте-Карло.
  • Обучение и исполнение.
  • Примеры.

• Глубокое обучение с подкреплением:
  • Аппроксимация нелинейной функции.
  • Прорыв DeepMind.
  • Объяснение Alpha-Star.
• Новейшие технологии в глубоком RL:
  • Память, внимание, рекурсия.
  • Обратное RL.
  • Обучение нескольких агентов.
  • Иерархическое обучение.
  • Развитие поощрений – AutoRL.
  • Оптимизации стратегий.
• Применения и использование:
  • Трейдинг.
  • Понимание речи и вопросно-ответные системы (опционально).
  • Балансировка нагрузки (опционально).
  • Другие применения (опционально).

• Pytorch / Tensorflow:
  • Основы тензорного исчисления.
  • Реализация алгоритма RL с нуля.
  • Тестирование и визуализация.
  • Практика.
• Ray + RLlib:
  • Основные понятия: исполнители, модели будущего, совместное использование памяти и т.д.
  • Пример с решением.
  • Различные алгоритмы.
  • Сеточный поиск и визуализация.
  • Практика.
• Визуализация и объяснимость:
  • SMDP, AMDP, SAMDP.
  • Проекция на 3D-пространство с помощью TSNE.
  • Примеры.