Development Introduction to Deep Learning

Готовим конкурентоспособных специалистов в области машинного обучения для стека следующих профессий: Data Scientist и Machine Learning Engineer. Основной уклон сделан на глубоком изучении нейронных сетей и фреймворков машинного обучения.

О курсе

Целью курса является обучение и подготовка конкурентоспособных специалистов в области машинного обучения. Будет покрыт технологический стек следующих профессий: Data Scientist и Machine Learning Engineer. Основной уклон сделан на глубоком изучении нейронных сетей и фреймворков машинного обучения.

Вы познакомитесь с основными подходами в машинном обучении. Научитесь решать задачи регрессии, классификации. Вы будете предсказывать цены реальной недвижимости, классифицировать и кластеризовать изображения. Познакомитесь с необходимыми разделами математики. Затем глубоко погрузитесь в мир искусственных нейронных сетей. В подробностях рассмотрите принципы их работы и их структуру. По прохождении этого курса вы будете глубоко разбираться в том, какие типы нейронных сетей подходят для решения конкретных задач. Научитесь их создавать, тренировать, валидировать и контролировать обучение.

сентябрь 2021 курс длится 3 месяца
12 000 грн/мес 34 200 грн при полной оплате всего курса
12 000 грн/мес при оплате частями
25 студентов каждый студент получает регулярный фидбек от куратора группы

Куратор курса

Михаил Константинов

Team Lead команды Deep Learning Research в SQUAD.

Специалист по глубокому обучению в области компьютерного зрения и обработки естественного языка. Имеет большой опыт работы с моделями машинного обучения различных типов. Разрабатывал решения на стыке cv и nlp, а также в области генерации изображений. Занимался автоматическим прохождением капчи с использованием современных deep learning подходов, а также adversarial защитой капчи от нейронных сетей.

Программа курса

Introduction to Deep Learning

— Course Review.
— What is Machine Learning.
— Supervised and Unsupervised Learning.
— Machine Learning VS Deep Learning.
— CV — Computer Vision.
— NLP — Natural Language Processing.
— Data Science and Machine Learning.
— Breath history of AI.
— AI, Turing Test, Philosophy of Science.

Python for Deep Learning and Research

— Basic algorithms and common tasks.
— Classical algorithms.
— Computational complexity.
— Useful Libraries and Frameworks.
— CPU vs GPU parallelization.
— Cloud and GPU Integration.
— Data Visualization.
— Vectors and Vectorization.
— Image Processing.
— Language Processing.

Mathematics for Deep Learning

— Common Notation and Core Ideas.
— Linear Algebra.
— N-dim Spaces.
— Vectors, Matrices and Operators.
— Mathematical and Function Analysis calculus.
— Derivative and Partial derivative.
— Chain Rule.
— Probability theory.
— Introduction to Statistics.

Linear, Polynomial and Multivariate Regression

— Price prediction Task.
— Linear Regression.
— Least square method.
— Loss Function.
— Optimization Task.
— Gradient Descent.
— MLE — Maximum Likelihood Estimation.
— Data Preprocessing.
— Model Visualization.
— Data Normalization.
— Polynomial Regression.
— Multivariate Regression.

Introduction Computer Vision

— Basic idea of Computer Vision.
— Classical Computer Vision.
— Deep Learning and CV.
— Core Idea of Semantic Gap.
— Classification Task.
— N-dim Spaces and Metrics.
— Common datasets.
— Mnist and Fashion-Mnist.
— Cifar10 and Cifar100.
— Cats VS Dogs.
— ImageNet and MS COCO.
— Euclidean Distance.
— Nearest Neighbour.

Classification and Computer Vision

— Image Classification.
— Cosine Similarity.
— Manhattan distance.
— KNN.
— Train / Val / Test data split.
— Logistic Regression.
— Logistic Regression and Maximum Likelihood Estimation.
— Loss function and Cross Entropy.
— Accuracy and Metrics.
— Precision, Recall and F1.

Neural Networks

— Rosenblatt's Perceptron.
— Artificial Neuron.
— Warren McCulloch and Walter Pitts Neuron.
— Fully Connected (Linear, Dense, Affine) Layer.
— Activation Layers.
— BackPropagation Algorithm.
— Stochastic Gradient Descent.
— Biological Neuron and Analogy.

Computation graphs and Deep Learning Frameworks

— Computational graphs.
— Differentiable graphs.
— Deep Learning Frameworks.
— Custom Framework Realization.
— Linear operations and Activation Realizations.
— Main Blocks Of Deep Learning FrameWorks.
— Custom Model and Train.
— Optimizator realization.
— TensorFlow.
— Keras.
— PyTorch.

Deep Learning

— Neural Networks Problems.
— Activation Functions.
— Weights Initialization.
— Initialization Techniks.
— Overfitting and Underfitting.
— Regularization Methods.
— L1 and L2 Regularization.
— Ensemble of Models.
— Dropout.
— Hyper Parameters Search.
— Optimizations behind SGD.
— Momentum and Nesterov Momentum.
— Adagrad, RMSprop.
— Adam, Nadam.
— Batch-Normalization.

Unsupervised Learning

— Dimensionality reduction.
— Feature Learning.
— Vector Representation.
— Embeddings.
— Kernel Method.
— Clusterization.
— k-means Clusterization.
— Hierarchical Clusterization.
— Neural Networks and Unsupervised Learning.
— Autoencoders.
— Autoencoders architectures.
— Tasks for Autoencoders.
— Problem of Image Generation.
— Image Denoising Task.

Introduction to Deep Learning in Computer Vision

— Problems of Fully Connected Neural Networks.
— Towards Convolution Neural Network.
— CNN as feature extractor.
— Computer Vision tasks.
— Transfer Learning.
— Transfer Learning in Practice.
— What Next (breath: CNN Architectures, Image Detection, Segmentation, GANs).

Introduction to Natural Language Processing

— Introduction to Natural Language Processing.
— Text classification.
— Words Preprocessing and Representation.
— Part-of-Speech tagging (PoS tagging).
— Tokenization, Lemmatization and Stemming
Bag of Words.
— TF-IDF.
— Distributive semantics.
— Vector Semantics.
— Term-document matrix.
— Word context matrix.
— Dense Vectors and Embeddings.
— Word2Vec.
— What Next (breath: RNN, Seq2Seq, Attention, Transformers, Modern Language Models).

Как проходит обучение

Живые занятия

Все занятия проходят в формате вебинаров с куратором (они также будут доступны вам в записи). По вторникам и четвергам в 19:30. Занятия проходят в Zoom.

Real-life задания

У нас действует Practicult — культ практики. Поэтому вы будете делать много сложных домашек из реальных рабочих будней. Have fun & survive.

Курсовой проект

Во время курса вы сделаете большой проект. Ведь принцип курса — все как в жизни.

Unlimited фидбек

У нас нет базовых и премиум режимов. Только премиум, всегда. Получите от куратора все. И да, десятая итерация — это нормально.

Сертификат за дело

Выдаем только тем, кто своим потом, временем и силами его заслужил.

ГРАФИК

Вебинары

Вторник, четверг в 19:30

Длительность

3 месяца

Старт обучения

сентябрь 2021

Полезные статьи

PROJECTOR MAG Як створюють та використовують нейронні мережі: лекція Михайла Константинова
PROJECTOR MAG Частіше, ніж здається. Де та для чого використовують штучний інтелект

Кому подходит курс

Будущим, а также практикующим Data Scientist-ам,

желающим освоить Deep Learning и систематизировать свои знания, чтобы двигаться дальше в изучении прогрессивных разделов компьютерного зрения и обработки естественного языка.

Middle и Senior разработчикам,

которые хотят выучить Deep Learning, чтобы внедрять методы машинного обучения.

Студентам-энтузиастам технических специальностей,

желающим овладеть крутой профессией.

Всем, кому нужна база

для дальнейшего изучения Deep Learning и Computer Vision.

Выпускникам курсов

— Data Science. Математические основы;
— Алгоритмика. Pro;
— Алгоритмика. Основы.

Что уже нужно знать

язык Python на базовом уровне, основы математического анализа и теории вероятностей.

Вопросы

Сколько всего будет занятий?

Всего будет 27 занятий в формате вебинаров с куратором. Также могут быть дополнительные занятия по работе с курсовыми проектами. О них куратор будет предупреждать заранее.

Что нужно знать и уметь для поступления?

Студент курса должен владеть языком Python на базовом уровне, помнить основы математического анализа и теории вероятностей.

Сколько времени нужно уделять курсу?

Для продуктивного обучения вам понадобится около 18-20 часов в неделю.

Как происходит коммуникация на курсе, и в каком формате куратор дает фидбек?

Вся коммуникация на курсе проходит на платформе Slack (рабочий чат группы, каналы для домашних заданий и полезных ссылок). Фидбек от куратора будет в виде комментариев на домашние задания и обсуждения на вебинарах.

Будут ли мне доступны материалы после завершения курса?

Да, у вас сохраняется доступ после завершения курса.

Будут записываться вебинары?

Мы каждый раз делаем запись, однако лучше забронировать время, чтобы присоединиться к онлайн-встречи — обсудить вопросы с одногруппниками и проконсультироваться с куратором.

Получу ли я сертификат после прохождения курса?

Только при условии выполнения всех домашних заданий, а также успешной защиты курсового проекта.

Что, если мне не понравится?

До 3-го занятия мы сможем вернуть вам всю сумму за обучение, если вы передумаете.

Регистрация

Остались вопросы?
Не стесняйтесь их задавать.

Проконсультируйте меня