Advanced

Курс Machine Learning and Deep Learning в Киеве

Машинное обучение совершило переворот в современном мире. Мы получили инструмент для решения задач, с которыми когда-то справлялся только человек. Распознавание объектов на изображении и видео, понимание текста, генерация реалистичных изображений, высококачественный нейронный машинный перевод. Решение этих задач просто невозможно в рамках «классического» программирования.

Курс рассматривает не только основной технологический стек профессий Data Scientist и Machine Learning Engineer, но и дает глубокие знания в областях компьютерного зрения и обработки естественного языка. В подробностях будут рассмотрены современные нейросетевые архитектуры, подходы, фреймворки.

Цель курса

  • Детально рассмотреть большинство современных нейронных сетей;
  • Решить много задач, связанных с распознаванием изображений;
  • Научиться использовать и писать сверточные сети: от LeNet’a до ResNet’a, рекуррентные сети;
  • Выполнить проекты, связанные с предсказанием цен реальных квартир с lun, с обработкой изображений и анализом текстов.

Курс поможет вам

Создать студенческие проекты по GAN генерации изображений, интеллектуальному снижению шума AutoEncoder и по нейронному машинному переводу.

Для кого курс

Рассчитан на IT-специалистов и инженеров любой специальности, знающих Python, линейную алгебру, математический анализ и статистику на уровне первого курса технического вуза.

Для записи требуется пройти тест.

Преподаватели курса

Вас будут обучать практикующие специалисты, работающие в топовых компаниях.

  • Михаил Константинов

    Михаил Константинов

    Deep Learning Research Engineer

    Ring
  • Александр Коробов

    Александр Коробов

    Founder, Researcher

  • Анна Пылева

    Анна Пылева

    Machine Learning Engineer

  • Владислав Шмыгло

    Владислав Шмыгло

    Deep Learning Engineer

Программа курса Machine Learning and Deep Learning

  1. Introduction to Machine Learning1

    1. Превью курса
    2. Что такое Machine Learning
    3. Основные задачи Machine Learning
    4. Основные типы обучения
    5. Deep Learning
    6. Machine Learning и современный мир
    7. Знакомство с Computer Vision (CV)
    8. Краткая история CV
    9. Знакомство c Natural Language Processing (NLP)
    10. Краткая история NLP
    11. Вакансии, основные задачи, и рынок труда
    12. Обзор профессии Data Scientist
    13. Обзор профессии Machine Learning Engineer
    14. Обзор профессии Research Engineer
    15. Специализация в Computer Vision или NLP
    16. Машинное обучение для программистов
    17. AI, Тест Тьюринга и прочая философия
  2. Hello Python (for Machine Learning)2

    • Типы, циклы, операторы, функции, классы
    • Классические алгоритмы
    • Вычислительная сложность
    • Работа со списками и словарями
    • Библиотеки numpy, pandas
    • Работа с табличными данными
    • Построение графиков и визуализация
    • Массивы и векторы (теория и практика)
    • Работа со строками
    • Решение задач
  3. Hello Math (for Machine Learning)3

    • Математические нотации
    • Линейная алгебра
    • N-мерные пространства
    • Векторы, матрицы, операторы
    • Математический анализ
    • Производная и частная производная
    • Дифференцирование сложной функции
    • Интеграл и интегральные преобразования
    • Разложение функции (разложение вектора)
    • Теория вероятностей
    • Введение в статистику
  4. Linear, Polynomial and Multivariate Regression4

    • Задача прогнозирование цены
    • Вывод линейной регрессии
    • Метод наименьших квадратов
    • Функция потерь (Loss Function)
    • Оптимизация функции
    • Градиентный спуск
    • Стохастический градиентный спуск
    • Вывод уравнений для линейной регрессии
    • Статистическое обоснование
    • Максимизация правдоподобия (Регрессия)
    • Программирование и обучение модели
    • Визуализация результатов
    • Data Preprocessing
    • Нормализация данных
    • Расширение регрессии
  5. Classification and Logistic regression5

    1. Знакомство с MNIST
    2. Мера сходства
    3. Коэффициент Жаккара
    4. Евклидово расстояние
    5. Косинусное расстояние
    6. Метод k-ближайших соседей
    7. Деревья принятия решений
    8. Train data / Test data
    9. Введение в логистическую регрессию
    10. Максимизация правдоподобия (Классификация)
    11. Loss function и Cross Entropy
  6. Computation graphs, PyTorch, TensorFlow and Keras6

    • Идея вычислительного графа
    • Обратно-дифференцируемые графы
    • Требования к фреймворкам машинного обучения
    • Линейные операции, активации
    • Написание простого фреймворка
    • Создание и обучение модели
    • Динамические графы
    • Введение в PyTorch
    • Библиотеки машинного обучения
    • PyTorch vs TensorFlow
    • Высокоуровневые надстройки над фреймворком
    • TensorFlow и Keras
    • Сравнение фреймворков
  7. Introduction to Neural Networks7

    • Перцептрон Розенблатта
    • Математический нейрон Маккаллока — Питтса
    • Многослойные нейронные сети
    • Слои, активации
    • Softmax активация
    • Метод обратного распространения ошибки
    • (optional) Биологические аналогии
  8. Обучение без учителя8

    1. Задачи снижения размерности
    2. PCA и сингулярное разложение
    3. Нелинейные методы
    4. Алгоритм t-SNE
    5. Введение в ядерные методы
    6. Ядерные методы для повышения размерности
    7. Задачи кластеризации
    8. Кластеризация методом k-means
    9. Иерархическая кластеризация
    10. Автокодировщики
    11. Задачи автокодировщиков
  9. Neural Networks: Learning and Metrics9

    • Проблемы нейронных сетей
    • Функции активации
    • Проблема внутреннего сдвига ковариации
    • Методы инициализации сетей
    • Проблема переобучения
    • Методы регуляризации
    • L1 и L2 регуляризации
    • Ансамбли моделей
    • Метод регуляризации Dropout
    • Оценки качества моделей
    • Precision and Recall
    • Прочие метрики
    • Поиск метапараметров
    • Продвинутые методы оптимизации
    • SGD, RMSprop, Adagrad, Adadelta, Adam, Nadam
    • Batch-Normalization
  10. Introduction to modern Computer Vision10

    • Основные задачи компьютерного зрения
    • Слабые стороны полносвязных сетей
    • Convolution Neural Network
    • Операция свертки
    • Матричное представление операции свертки
    • Связь с интегральными преобразованиями
    • Ядра свертки
    • Сверточные слои
    • Основные параметры сверточных слоев
    • Реализация и анализ сверточных сетей
    • Знакомство с LeNet и AlexNet
    • (optional) Биологические аналогии
    • Интерпретации и визуализации ядер
  11. Convolution Neural Network Architectures11

    1. История сверточных нейронных сетей
    2. LeNet-5
    3. AlexNet
    4. VGG-16 & VGG-19
    5. Inception (GoogLeNet, v1-v4)
    6. ResNet 2-layer-block (ResNet-18, ResNet-34)
    7. ResNet 3-layer-block (ResNet-50, ResNet-101, ResNet-152)
    8. Inception-ResNet (v1-v2)
    9. ResNeXt
    10. DenseNet
    11. MobileNet
    12. Выводы и тенденции
  12. Segmentation and Detection12

    1. Задачи детекции объектов
    2. Задачи семантической сегментации
    3. Задачи сегментации сущностей
    4. Операции транспонированной свертки
    5. Функции потерь для разных задач
    6. Алгоритм YOLO
    7. R-CNN, Fast R-CNN, Faster R-CNN
  13. Introduction to NLP13

    1. Основные задачи обработки естественного языка
    2. Строки и расстояния
    3. Базовый препроцессинг текста
    4. Части речи (PoS)
    5. Токенизация, лемматизация и стемминг
    6. Классификация текстов на модели “мешка слов”
    7. Взвешивание TF-IDF
    8. Дистрибутивная семантика
    9. Векторная семантика
    10. Term-document matrix
    11. Word context matrix
    12. Плотные векторы
    13. SVD и LSA
    14. Word2Vec
  14. Recurrent Neural Networks14

    1. Задачи обработки последовательностей
    2. Тексты и временные ряды
    3. Моделирование языка
    4. Простая рекуррентная сеть VanillaRNN
    5. Идея состояния сети
    6. Ограниченность и минусы VanillaRNN
    7. Идея гейтов
    8. Ячейка LSTM
    9. Прочие вентильные ячейки и вариации
    10. Классификация, генерация
    11. Image caption (описание изображений)
    12. Введение в нейронный машинный перевод
  15. Generative Models15

    1. Генерация текстов
    2. PixelRNN
    3. PixelCNN
    4. GAN (generative adversarial network)
    5. Устройство и обучение GAN
    6. Рекомендации по обучению
    7. Deep Convolutional GAN
    8. Выводы и тенденции
  16. Final Project16

    • Презентация финального студенческого проекта
    • QA секция
Сертификат
Выпускники получают
сертификат об окончании курса
с итоговой оценкой.

Бесплатные бонусы курса

Наши преподаватели и выпускники работают в топовых IT-компаниях мира

Отзывы выпускников этого курса

Преимущества обучения в Компьютерной школе Hillel

  • Видеозаписи занятий
  • Преподаватели-практики
  • Классы с компьютерами
  • Программа Hillel EVO
Видеообзор школы

Трудоустройство

Что мы делаем для того, чтобы вы достигли успеха?

В процессе обучения Студенты работают над реальными проектами

Бесплатные занятия по профильному английскому языку и спикинг-клабы

Дополнительные видеокурсы по актуальным технологиям

Доступ к материалам остается после окончания курса

Регулярные мастер-классы по подготовке резюме и поиску работы

Программы всех курсов адаптированы под запросы рынка

Программа для реализации идей Студентов и Выпускников Школы
  • Идея
  • Питчинг
  • Команда
  • Реализация
  • Презентация

Часто задаваемые вопросы

Часто задаваемые вопросы

Мы всегда очень ответственно стараемся подходить к вопросу подбора Преподавателей в нашей Школе. Наши Преподаватели — практикующие специалисты в крупнейших IT-компаниях города. Также они имеют как опыт преподавания в нашей Школе, так и опыт менторства по месту их профессиональной деятельности. В своей манере обучения они делают упор на последние тенденции IT-рынка и исключительно на свой личный опыт для того, чтобы наши Выпускники имели наиболее востребованные знания и опыт работы с конкретными кейсами.

Программы курсов составляются квалифицированными практикующими специалистами, чтобы каждый человек смог полноценно и целостно усвоить весь теоретический и практический материал. Количество занятий является оптимальным как для изучения материала на уроке, так и для выполнения домашнего задания. Обучение в более интенсивном ключе не даст результата, ориентированного на дальнейшее трудоустройство и без того в довольно короткие сроки.

Вы можете прочесть отзывы наших Студентов и Выпускников на нашем сайте, перейдя по данной ссылке. Еще вы сможете найти отзывы и информацию о нас, зайдя на сайт DOU.ua или же прописав название нашей Школы в Google, где вы также сможете увидеть отзывы о нашей Школе в нашем Google-аккаунте или на Google-картах.

Программа наших курсов, которые ориентированы на трудоустройство, построена таким образом, что Студент, проходя каждый её пункт, выполняя все домашние задания и следуя всем советам Преподавателя, может рассчитывать на дальнейшее трудоустройство и соответствовать существующим вакансиям на специалиста начального уровня в области выбранного курса.

Крайне важно помнить о том, что не придерживаясь вышеуказанных принципов, достичь необходимого результата по завершении курса, скорее всего, не представится возможным. Именно поэтому мы не можем заранее вам гарантировать трудоустройство, но мы можем содействовать в этом нашим Выпускникам, которые учились наиболее усердно.

Наш штатный менеджер по трудоустройству всегда рад в этом помочь нашим Выпускникам, а также ответить на их вопросы, связанные с оформлением резюме и прочим. Также в нашей Школе мы проводим бесплатные занятия с рекрутерами из IT-компаний города, где они дают советы по поиску первой работы в IT-сфере.

Для того, чтобы получить информацию о стоимости того или иного курса, а также задать другие дополнительные вопросы, касающиеся обучения, вы можете:

  • заполнить заявку на бесплатную консультацию;
  • заполнить заявку на запись на курс;
  • связаться с нами, позвонив или написав нам на почту.

Да, безусловно. Многие наши курсы предусматривают дополнительную систему бонусов для тех Студентов, которые хотят продолжать обучение в нашей Школе. Эта система состоит в том, что в конце курса Студенты пишут тест по пройденному материалу или сдают итоговую работу, по итогам которых:

- Студент, который имеет самый высокий результат получает скидку 25% на дальнейшие курсы;

- Студент, занявший второе место, получает 15% скидку;

- Студент, который оказался на третьем месте, получает 10% скидку;

- все остальные Студенты, не вошедшие в тройку лидеров, получают скидку в размере 5%.

Курс
Machine Learning and Deep Learning

Киев

Хотите начать карьеру в IT, но не определились с направлением?

Тогда этот тест для Вас! Ответы на вопросы теста помогут определить Ваши способности, чтобы было легче подобрать курс, подходящий именно Вам.