Advanced

Курс Machine Learning and Deep Learning у Києві

Машинне навчання здійснило переворот у сучасному світі. Ми отримали інструмент для вирішення завдань, з якими колись справлялася тільки людина. Розпізнавання об'єктів на зображенні і відео, розуміння тексту, генерація реалістичних зображень, високоякісний нейронний машинний переклад. Вирішення цих завдань просто неможливо в рамках «класичного» програмування.

Курс розглядає не тільки основний технологічний стек професій Data Scientist і Machine Learning Engineer, але і дає глибокі знання в галузях комп'ютерного зору і обробки природної мови. У подробицях будуть розглянуті сучасні нейромережеві архітектури, підходи, фреймворки.

Мета курсу

  • Детально розглянути більшість сучасних нейронних мереж;
  • Вирішити багато завдань, пов'язаних з розпізнаванням зображень;
  • Навчитися використовувати і писати згорткові мережі: від LeNet'a до ResNet'a, рекурентні мережі;
  • Виконати проекти, пов'язані з прогнозом цін реальних квартир з lun, з обробкою зображень і аналізом текстів.

Курс допоможе вам

Створити студентські проекти з GAN генерації зображень, інтелектуального зниження шуму AutoEncoder і з нейронів машинного перекладу.

Для кого курс

Розрахований на IT-фахівців і інженерів будь-якої спеціальності, які знають Python, лінійну алгебру, математичний аналіз і статистику на рівні першого курсу технічного вузу.

Для запису потрібно пройти тест.

Викладачі курсу

Вас будуть навчати практикуючі фахівці, працюючі в топових компаніях.

  • Михайло Константинов

    Михайло Константинов

    Deep Learning Research Engineer

    Ring
  • Олександр Коробов

    Олександр Коробов

    Founder, Researcher

  • Анна Пилова

    Анна Пилова

    Machine Learning Engineer

  • Влад Шмигло

    Влад Шмигло

    Deep Learning Engineer

Програма курсу Machine Learning and Deep Learning

  1. Introduction to Machine Learning1

    • Прев'ю курсу
    • Що таке Machine Learning
    • Основні завдання Machine Learning
    • Основні типи навчання
    • Deep Learning
    • Machine Learning і сучасний світ
    • Знайомство з Computer Vision (CV)
    • Коротка історія CV
    • Знайомство c Natural Language Processing (NLP)
    • Коротка історія NLP
    • Вакансії, основні завдання, і ринок праці
    • Огляд професії Data Scientist
    • Огляд професії Machine Learning Engineer
    • Огляд професії Research Engineer
    • Спеціалізація в Computer Vision або NLP
    • Машинне навчання для програмістів
    • AI, Тест Тьюринга та інша філософія
  2. Hello Python (for Machine Learning)2

    • Типи, цикли, оператори, функції, класи
    • Класичні алгоритми
    • Обчислювальна складність
    • Робота зі списками і словниками
    • Бібліотеки numpy, pandas
    • Робота з табличними даними
    • Побудова графіків та візуалізація
    • Масиви і вектори (теорія і практика)
    • Робота з рядками
    • Вирішення задач
  3. Hello Math (for Machine Learning)3

    • Математичні нотації
    • Лінійна алгебра
    • N-мірні простору
    • Вектори, матриці, оператори
    • Математичний аналіз
    • Похідна і окрема похідна
    • Диференціювання складної функції
    • Інтеграл і інтегральні перетворення
    • Розкладання функції (розкладання вектора)
    • Теорія імовірностей
    • Введення в статистику
  4. Linear, Polynomial and Multivariate Regression4

    • Завдання прогнозування ціни
    • Висновок лінійної регресії
    • Метод найменших квадратів
    • Функція втрат (Loss Function)
    • Оптимізація функції
    • Градієнтний спуск
    • Стохастичний градієнтний спуск
    • Висновок рівнянь для лінійної регресії
    • Статистичне обгрунтування
    • Максимізація правдоподібності (Регресія)
    • Програмування та навчання моделі
    • Візуалізація результатів
    • Data Preprocessing
    • Нормалізація даних
    • Розширення регресії
  5. Classification and Logistic regression5

    • Знайомство з MNIST
    • Міра подібності
    • Коефіцієнт Жаккара
    • Евклідова відстань
    • Косинусна відстань
    • Метод k-найближчих сусідів
    • Дерева прийняття рішень
    • Train data / Test data
    • Введення в логістичну регресію
    • Максимізація правдоподібності (Класифікація)
    • Loss function і Cross Entropy
  6. Computation graphs, PyTorch, TensorFlow and Keras6

    • Ідея обчислювального графа
    • Обернено-диференційні графи
    • Вимоги до фреймворків машинного навчання
    • Лінійні операції, активації
    • Написання простого фреймворку
    • Створення і навчання моделі
    • Динамічні графи
    • Введення в PyTorch
    • Бібліотеки машинного навчання
    • PyTorch vs TensorFlow
    • Високорівневі надбудови над фреймворком
    • TensorFlow і Keras
    • Порівняння фреймворків
  7. Introduction to Neural Networks7

    • Перцептрон Розенблатта
    • Математичний нейрон Маккаллока - Питтса
    • Багатошарові нейронні мережі
    • Шари, активації
    • Softmax активація
    • Метод зворотного поширення помилки
    • (Optional) Біологічні аналогії
  8. Навчання без вчителя8

    • Завдання зниження розмірності
    • PCA і сингулярне розкладання
    • Нелінійні методи
    • Алгоритм t-SNE
    • Введення в ядерні методи
    • Ядерні методи для підвищення розмірності
    • Завдання кластеризації
    • Кластеризація методом k-means
    • Ієрархічна кластеризація
    • Автокодіровщики
    • Завдання автокодіровщиків
  9. Neural Networks: Learning and Metrics9

    • Проблеми нейронних мереж
    • Функції активації
    • Проблема внутрішнього зсуву коваріації
    • Методи ініціалізації мереж
    • Проблема перенавчання
    • Методи регуляризації
    • L1 і L2 регуляризації
    • Ансамблі моделей
    • Метод регуляризації Dropout
    • Оцінки якості моделей
    • Precision and Recall
    • Інші метрики
    • Пошук метапараметрів
    • Просунуті методи оптимізації
    • SGD, RMSprop, Adagrad, Adadelta, Adam, Nadam
    • Batch-Normalization
  10. Introduction to modern Computer Vision10

    • Основні завдання комп'ютерного зору
    • Слабкі сторони повнозв'язних мереж
    • Convolution Neural Network
    • Операція згортки
    • Матричне уявлення операції згортки
    • Зв'язок з інтегральними перетвореннями
    • Ядра згортки
    • Згорткові шари
    • Основні параметри згортальних шарів
    • Реалізація та аналіз згортальних мереж
    • Знайомство з LeNet і AlexNet
    • (Optional) Біологічні аналогії
    • Інтерпретації і візуалізації ядер
  11. Convolution Neural Network Architectures11

    • Історія згортальних нейронних мереж
    • 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
    • Висновки і тенденції
  12. Segmentation and Detection12

    • Завдання детекції об'єктів
    • Завдання семантичної сегментації
    • Завдання сегментації сутностей
    • Операції транспонованої згортки
    • Функції втрат для різних завдань
    • Алгоритм YOLO
    • R-CNN, Fast R-CNN, Faster R-CNN
  13. Introduction to NLP13

    • Основні завдання обробки природної мови
    • Рядки і відстані
    • Базовий препроцессінг тексту
    • Частини мови (PoS)
    • Токенізація, лематизація і стемінг
    • Класифікація текстів на моделі "мішка слів"
    • Зважування TF-IDF
    • Дистрибутивна семантика
    • Векторна семантика
    • Term-document matrix
    • Word context matrix
    • Щільні вектори
    • SVD і LSA
    • Word2Vec
  14. Recurrent Neural Networks14

    • Завдання обробки послідовностей
    • Тексти і тимчасові ряди
    • Моделювання мови
    • Проста рекуррентна мережа VanillaRNN
    • Ідея стану мережі
    • Обмеженість і мінуси VanillaRNN
    • Ідея гейтів
    • Осередок LSTM
    • Інші вентильні осередки і варіації
    • Класифікація, генерація
    • Image caption (опис зображень)
    • Введення у нейронний машинний переклад
  15. Generative Models15

    • Генерація текстів
    • PixelRNN
    • PixelCNN
    • GAN (generative adversarial network)
    • Пристрій і навчання GAN
    • Рекомендації з навчання
    • Deep Convolutional GAN
    • Висновки і тенденції
  16. Final Project16

    • Презентація фінального студентського проекту
    • QA секція
Сертифікат
Випускники отримують
сертифікат про закінчення курсу
з підсумковою оцінкою.

Безкоштовні бонуси курсу

Наші викладачі та випускники працюють в топових IT-компаніях світу

Відгуки випускників цього курсу

Переваги навчання у Комп'ютерній школі Hillel

  • Відеозаписи занять
  • Викладачі-практики
  • Класи з комп'ьютерами
  • Програма Hillel EVO
Відеоогляд школи

Працевлаштування

Що ми робимо для того, щоб ви досягли успіху?

В процесі навчання Студенти працюють над реальними проектами

Безкоштовні заняття з профільної англійської мови та спікінг-клаби

Додаткові відеокурси з актуальних технологій

Доступ до матеріалів залишається після закінчення курсу

Регулярні майстер-класи з підготовки резюме та пошуку роботи

Програми усіх курсів адаптовані під запити ринку

Програма для реалізації ідей Студентів та Випускників Школи
  • Iдея
  • Пітчинг
  • Команда
  • Реалізація
  • Презентація

Часті питання

Часті питання

Ми завжди дуже відповідально намагаємося підходити до питання підбору Викладачів у нашій Школі. Наші Викладачі — практикуючі фахівці в найбільших IT-компаніях міста. Також вони мають як досвід викладання в нашій Школі, так і досвід менторства за місцем їх професійної діяльності. У своїй манері навчання вони роблять упор на останні тенденції IT-ринку і виключно на свій особистий досвід для того, щоб наші Випускники мали найбільш затребувані знання і досвід роботи з конкретними кейсами.

Програми курсів складаються кваліфікованими практикуючими фахівцями, щоб кожна людина змогла повноцінно і цілісно засвоїти весь теоретичний і практичний матеріал. Кількість занять є оптимальноою як для вивчення матеріалу, що викладається на уроці, так і для виконання домашнього завдання. Навчання у більш інтенсивному ключі не дасть того результату, який орієнтований на подальше працевлаштування і без того в досить короткі терміни.

Ви можете прочитати відгуки наших Студентів та Випускників на нашому сайті за цим посиланням. Ще ви зможете знайти відгуки і інформацію про нас на DOU.ua або можете прописати назву нашої Школи у Google, де ви також зможете побачити відгуки про нашу Школу у Google-акаунті або на Google-картах.

Програма наших курсів, які орієнтовані на працевлаштування, побудована таким чином, що Студент, проходячи кожен її пункт, виконуючи всі домашні завдання і дотримуючись всіх порад Викладача, може розраховувати на подальше працевлаштування і відповідати існуючим вакансіях на фахівця початкового рівня в області обраного курсу. Вкрай важливо пам'ятати про те, що не дотримуючись вищевказаних принципів, досягти необхідного результату по завершенні курсу, швидше за все, буде неможливо. Саме тому ми не можемо заздалегідь вам гарантувати працевлаштування, але ми можемо сприяти в цьому нашим Випускникам, які навчалися найбільш ретельно. Наш штатний менеджер з працевлаштування випускників завжди радий в цьому допомогти нашим Випускникам, а також відповісти на їхні запитання, пов'язані з оформленням резюме та іншим. Також в нашій Школі ми проводимо безкоштовні заняття з рекрутерами з IT-компаній міста, де вони дають поради з пошуку першої роботи в IT-сфері.

Для того, щоб отримати інформацію про вартість того чи іншого курсу, а також задати інші додаткові питання, що стосуються навчання, ви можете:

- заповнити заявку на безкоштовну консультацію;

- заповнити заявку на запис на курс;

- зателефонувати або написати нам на пошту.

Так, безумовно. Багато наших курсів передбачають додаткову систему бонусів для тих Студентів, які хочуть продовжувати навчання у нашій Школі. Ця система полягає в тому, що наприкінці курсу Студенти пишуть тест з пройденого матеріалу або здають підсумкову роботу, за підсумками яких:

- Студент, який має найвищий результат отримує знижку 25% на подальші курси;

- Студент, який посів друге місце, отримує 15% знижку;

- Студент, який виявився на третьому місці, отримує 10% знижку.

- Всі інші Студенти, які не ввійшли до трійки лідерів, отримують знижку в розмірі 5%.

Курс
Machine Learning and Deep Learning

Київ

Хочете розпочати кар'єру в IT, але не визначились з напрямком?

Тоді цей тест для Вас! Відповіді на запитання тесту допоможуть визначити Ваші здібності, щоб було легше підібрати курс, який підійде саме Вам.