Advanced
4.9

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.

Изучаемые технологии

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

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.

  • Богдан Ружицкий

    Богдан Ружицкий

    Research engineer

  • Филипп Кофман

    Филипп Кофман

    Research engineer

  • Артем Чернов

    Артем Чернов

    Machine Learning Engineer

    shift.ai
  • Анна Пылева

    Анна Пылева

    Machine Learning Engineer

  • Александр Коробов

    Александр Коробов

    Founder, Researcher

Программа курса Machine Learning and Deep Learning

  1. Introduction to Machine Learning1

    • Превью курса
    • Что такое Machine Learning
    • Основные задачи Machine Learning
    • Основные типы обучения
    • Deep Learning
    • Machine Learning и современный мир
    • Знакомство с Computer Vision (CV)
    • Краткая история CV
    • Знакомство c Natural Language Processing (NLP)
    • Краткая история NLP
    • Вакансии, основные задачи, и рынок труда
    • Обзор профессии Data Scientist
    • Обзор профессии Machine Learning Engineer
    • Обзор профессии Research Engineer
    • Специализация в Computer Vision или NLP
    • Машинное обучение для программистов
    • 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

    • Знакомство с MNIST
    • Мера сходства
    • Коэффициент Жаккара
    • Евклидово расстояние
    • Косинусное расстояние
    • Метод k-ближайших соседей
    • Деревья принятия решений
    • Train data / Test data
    • Введение в логистическую регрессию
    • Максимизация правдоподобия (Классификация)
    • 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

    • Задачи снижения размерности
    • PCA и сингулярное разложение
    • Нелинейные методы
    • Алгоритм t-SNE
    • Введение в ядерные методы
    • Ядерные методы для повышения размерности
    • Задачи кластеризации
    • Кластеризация методом k-means
    • Иерархическая кластеризация
    • Автокодировщики
    • 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

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

    • Задачи детекции объектов
    • Задачи семантической сегментации
    • Задачи сегментации сущностей
    • Операции транспонированной свертки
    • Функции потерь для разных задач
    • Алгоритм YOLO
    • R-CNN, Fast R-CNN, Faster R-CNN
  13. Introduction to NLP13

    • Основные задачи обработки естественного языка
    • Строки и расстояния
    • Базовый препроцессинг текста
    • Части речи (PoS)
    • Токенизация, лемматизация и стемминг
    • Классификация текстов на модели “мешка слов”
    • Взвешивание TF-IDF
    • Дистрибутивная семантика
    • Векторная семантика
    • Term-document matrix
    • Word context matrix
    • Плотные векторы
    • SVD и LSA
    • Word2Vec
  14. Recurrent Neural Networks14

    • Задачи обработки последовательностей
    • Тексты и временные ряды
    • Моделирование языка
    • Простая рекуррентная сеть VanillaRNN
    • Идея состояния сети
    • Ограниченность и минусы VanillaRNN
    • Идея гейтов
    • Ячейка LSTM
    • Прочие вентильные ячейки и вариации
    • Классификация, генерация
    • Image caption (описание изображений)
    • Введение в нейронный машинный перевод
  15. Generative Models15

    • Генерация текстов
    • PixelRNN
    • PixelCNN
    • GAN (generative adversarial network)
    • Устройство и обучение GAN
    • Рекомендации по обучению
    • Deep Convolutional GAN
    • Выводы и тенденции
  16. Final Project16

    • Презентация финального студенческого проекта
    • QA секция
Сертификат
Выпускники получают
сертификат об окончании курса

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

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

Требования к компьютеру для обучения на курсе Machine Learning and Deep Learning.

Операционная система:

  • Windows 10 64-бит
  • macOS 10.13 или выше
  • Linux: Ubuntu 16.04 - 20.04

Процессор* :

  • Минимум intel core i3 4-го поколения
  • Рекомендуется i5 7-го
    *Допустимы аналоги от AMD

Оперативная память:

  • Минимум 8 Гб
  • Рекомендуется 12 Гб

Память:

  • Минимально 200 Гб HDD и более
  • Рекомендуется 200 SSD и более

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 получают скидку на следующий курс данного направления:

  • 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 Студенты получают скидку в размере 5% на любой из курсов Школы.

Выполнение домашних работ, одна из самых важных составляющих обучения. Для того, чтобы получить максимальный балл за домашнее задание, нужно:

  • Выполнить задание в указанные сроки
  • Выполнить все условия задания
  • Выполнить задание без ошибок
  • Пересдача домашнего задания не более одного раза

Материалы в блоге

Курс
Machine Learning and Deep Learning

Киев

Вадим Друмов о формах обучения в Школе сегодня

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.