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 курса12 000 грн/мес при оплате частями
25 студентов
каждый студент получает регулярный фидбек от куратора группы
Куратор курса
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
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.
