- Регистрация
- 26 Март 2018
- Сообщения
- 85.425
Название: Инженер по глубокому обучению нейросетей [Яндекс Практикум] [Антон Моргунов]
Описание:
Программа 2025 года — самые актуальные инструменты и технологии
Специализация на выбор: компьютерное зрение или обработка естественного языка
От 4 до 8 самостоятельных проектов для портфолио
Обучение нейросетей на облачной инфраструктуре и фундаментальные основы Deep Learning
Гибкий график, чтобы совмещать с работой
Удостоверение о повышении квалификации или диплом о профессиональной переподготовке
Курс даёт фундаментальные знания и практику в области Deep Learning
Они нужны как для успешного прохождения собеседований, так и для уверенного старта и погружения в любую из доменных областей машинного обучения
Это курс для IT‑специалистов, которые уже работали с данными, машинным обучением и Python
Через 2 месяца вы сможете
Работать на Deep Learning фреймворке PyTorch
Строить нейросети самостоятельно, находить в них неполадки и устранять
Обучать нейросети эффективно и с высоким качеством
Подготавливать данные для подачи на нейросети
Объяснять принципы и элементы, на которых строятся нейросетевые решения
Программа курса
Рассчитана на 2 месяца; нагрузка — от 15 часов в неделю
Спойлер: Полная программа обуения 1 практическая работа・2 недели
Фундаментальные основы Deep Learning
Введение в нейросети
Узнаете, зачем нужны нейросети, какие ключевые отличия глубокого обучения от классического машинного обучения. Рассмотрите основные компоненты нейросети: нейрон, полносвязные слои (Fully Connected Layers), понятие весов и смещений (weights & biases), перцептрон.
Построение полносвязной нейросети (MLP)
Поймёте, как соединяются слои и происходит forward pass, распространение входных данных, и вычисление выходного сигнала.
Функции ошибок и градиентный спуск
Разберёте, что такое функция потерь и зачем она нужна, какие бывают популярные функции ошибок: MSE, MAE для регрессии, Cross-Entropy Loss для классификации, варианты градиентного спуска (Batch Gradient Descent, Stochastic Gradient Descent (SGD), Mini-Batch SGD).
Обратное распространение ошибки (Backpropagation)
Научитесь пересчитывать градиенты, строить производную функцию ошибки по весам и решать проблему исчезающего градиента.
Оптимизаторы: как ускорить и улучшить обучение
Узнаете про SGD, его улучшенные версии Adam, RMSprop, Adagrad и их особенности. Выберете подходящий метод оптимизации.
Функции активации
Узнаете, зачем нужны функции активации и какие из них популярные: Sigmoid, Tanh, ReLU и его вариации (Leaky ReLU, Parametric ReLU), Swish и GELU.
Обучение нейросети: основные проблемы и их решения
Поймёте, чем вызвано переобучение (Overfitting): Dropout, Batch Normalization, Data Augmentation; недообучение (Underfitting). Узнаете, почему модель не учится. Повысите сложность модели, подберёте архитектуру. Выясните, почему происходит взрыв и затухание градиентов, и изучите методы борьбы с этим: Gradient Clipping, нормализацию данных.
Введение в PyTorch и построение нейросети
Сравните PyTorch с TensorFlow и поймёте их ключевые различия. Рассмотрите основные сущности PyTorch: Tensor, Dataset, DataLoader, Neural Networks (torch.nn).
Реализуете полносвязную нейросеть (MLP) с нуля на PyTorch и обучите её на простом датасете
3
1 практическая работа・2 недели
Рекуррентные нейронные сети (RNN): от основ к трансформерам
Работа с последовательными данными
Узнаете, чем последовательности отличаются от обычных данных, а также изучите спектрограммы и аудио.
Простые RNN: теория и проблемы
Поймёте, как работает RNN и как происходит обучение RNN с использованием Backpropagation Through Time (BPTT). Рассмотрите проблему исчезающего и взрывающегося градиента.
Способы борьбы с проблемами обучения RNN
Изучите такие способы, как Gradient Clipping, использование нормализации, замена RNN на более устойчивые архитектуры.
GRU и LSTM: решение проблем RNN
Узнаете, как работают элементы памяти в GRU и LSTM и в чём между ними разница.
Bidirectional RNN: когда важен контекст с обеих сторон
Разберёте двунаправленные RNN и их применение.
Attention и трансформеры: конец эпохи RNN
Узнаете, почему Attention стал прорывом, разберёте архитектуру трансформеров и поймёте, почему трансформеры заменили RNN.
Реализуете RNN/LSTM с нуля на PyTorch и обучите модель на последовательных данных
4
1 практическая работа・2 недели
Свёрточные нейронные сети (CNN): от основ до продвинутых методов
Полносвязные сети для изображений и их ограничения
Узнаете, почему полносвязные сети неэффективны для изображений, какое необходимо количество параметров и что такое проблема вычислительной сложности.
Основы свёрточных сетей
Разберёте, что такое свёртка, рассмотрите принцип работы свёрточных фильтров, гиперпараметры свёртки: размер фильтра, пэддинг, страйд.
Пулинг и его виды
Узнаете, как пулинг уменьшает размерность данных и ускоряет обучение. Max Pooling vs Average Pooling.
Популярные архитектуры CNN
Рассмотрите популярные архитектуры CNN: LeNet — первая свёрточная сеть; AlexNet — революция в компьютерном зрении; VGG — простота и глубина; ResNet — почему остаточные связи изменили всё; EfficientNet — масштабирование сетей.
Методы улучшения качества CNN
Изучите аугментацию данных: зачем и как применять Dropout, Batch Normalization, Skip Сonnections и DenseNet
Transfer Learning: как дообучить предобученную модель?
Feature Extraction vs Fine-Tuning. Разберёте работу с предобученными моделями.
Построите собственную CNN на PyTorch, обучите модель на MNIST, дообучите предобученную модель на новых данных
5
1 проект・2 недели
Предобработка данных для моделей глубокого обучения (NLP, CV и Audio Analysis)
Предобработка текстов для NLP
Научитесь делать токенизацию, удалять стоп-слова, применять фильтрацию, лемматизацию и стемминг, представлять текст, выполнять векторизацию.
Предобработка изображений для CV
Научитесь изменять размер и масштаб изображений, выполнять их нормализацию, стандартизацию и аргументацию. Поймёте, как применять трансформации, подготавливать изображения для подачи в модель: преобразовывать их в тензоры, использовать генераторы данных в PyTorch, Dataset для создания кастомных классов.
Предобработка аудиоданных
Научитесь преобразовывать аудио в спектрограммы и классифицировать эмоции в аудиозаписях с использованием трансформеров (CNN).
Подготовите данные и подадите их на предобученные модели. Выберете метрики, функцию потерь и оптимизатор, проведёте обучение
+4 модуля・+4 проекта・+2 месяца
Специализация «Компьютерное обучение»
Сможете создавать и обучать модели нейронных сетей для автоматического анализа и интерпретации визуальной информации из окружающего мира, чтобы обучить системы распознавать объекты, извлекать данные и принимать решения на основе изображений и видео
Ещё 4 модуля
Детекция объектов, сегментация изображений, работа с видеопотоком, генерация изображений
Ещё 4 проекта
Загрузка предобученной модели и её тестирование на изображениях, развёртывание модели для анализа видеопотока в реальном времени
Реализуете собственный генеративный проект
+4 модуля・+4 проекта・+2 месяца
Специализация «Обработка естественного языка»
Освоите различные языковые модели, изучите самые продвинутые методы LLM и сразу начнёте применять их на практике
Ещё 4 модуля
Механизм многоглавного внимания и архитектура BERT, машинный перевод и модели Seq2Seq, извлечение именованных сущностей (NER), большие языковые модели (LLM)
Ещё 4 проекта
Использование BERT для решения задачи NLP, реализация машинного перевода с применением трансформеров, построение модели NER
Примените LLM в реальном времени: для генерации отчётов, документации и автоматизации общения с пользователями
Авторы — инженеры с большим опытом обучения нейросетей
Они собрали и систематизировали свои знания, чтобы вы учились на реальных кейсах, с которыми сталкиваются специалисты на практике
Антон Моргунов
Программный эксперт курса. Senior инженер по компьютерному зрению в Базис Центре.
Описание:
Программа 2025 года — самые актуальные инструменты и технологии
Специализация на выбор: компьютерное зрение или обработка естественного языка
От 4 до 8 самостоятельных проектов для портфолио
Обучение нейросетей на облачной инфраструктуре и фундаментальные основы Deep Learning
Гибкий график, чтобы совмещать с работой
Удостоверение о повышении квалификации или диплом о профессиональной переподготовке
Курс даёт фундаментальные знания и практику в области Deep Learning
Они нужны как для успешного прохождения собеседований, так и для уверенного старта и погружения в любую из доменных областей машинного обучения
Это курс для IT‑специалистов, которые уже работали с данными, машинным обучением и Python
- Специалисты в области Data Science
Освоите современные архитектуры нейронных сетей, чтобы применять их в работе над своими задачами - Разработчики
Поймёте, как функционируют нейронные сети и познакомитесь с фреймворком PyTorch - ML-инженеры
Научитесь строить модели Deep Learning и поймёте, в чём их исключительные особенности при интеграции в ML-пайплайны
Через 2 месяца вы сможете
Работать на Deep Learning фреймворке PyTorch
Строить нейросети самостоятельно, находить в них неполадки и устранять
Обучать нейросети эффективно и с высоким качеством
Подготавливать данные для подачи на нейросети
Объяснять принципы и элементы, на которых строятся нейросетевые решения
Программа курса
Рассчитана на 2 месяца; нагрузка — от 15 часов в неделю
- Нейросетевые решения на практике
1 модуль — бесплатно, чтобы вы познакомились с платформой и определились, подходит ли вам курс - Фундаментальные основы Deep Learning
1 практическая работа・2 недели - Рекуррентные нейронные сети (RNN): от основ к трансформерам
1 практическая работа・2 недели - Свёрточные нейронные сети (CNN): от основ до продвинутых методов
1 практическая работа・2 недели - Предобработка данных для моделей глубокого обучения (NLP, CV и Audio Analysis)
1 проект・2 недели - Специализация «Компьютерное обучение»
Сможете создавать и обучать модели нейронных сетей для автоматического анализа и интерпретации визуальной информации из окружающего мира, чтобы обучить системы распознавать объекты, извлекать данные и принимать решения на основе изображений и видео
+4 модуля・+4 проекта・+2 месяца - Освоите различные языковые модели, изучите самые продвинутые методы LLM и сразу начнёте применять их на практике
Специализация «Обработка естественного языка»
+4 модуля・+4 проекта・+2 месяца
Спойлер: Полная программа обуения 1 практическая работа・2 недели
Фундаментальные основы Deep Learning
- PyTorch
- MLP
Введение в нейросети
Узнаете, зачем нужны нейросети, какие ключевые отличия глубокого обучения от классического машинного обучения. Рассмотрите основные компоненты нейросети: нейрон, полносвязные слои (Fully Connected Layers), понятие весов и смещений (weights & biases), перцептрон.
Построение полносвязной нейросети (MLP)
Поймёте, как соединяются слои и происходит forward pass, распространение входных данных, и вычисление выходного сигнала.
Функции ошибок и градиентный спуск
Разберёте, что такое функция потерь и зачем она нужна, какие бывают популярные функции ошибок: MSE, MAE для регрессии, Cross-Entropy Loss для классификации, варианты градиентного спуска (Batch Gradient Descent, Stochastic Gradient Descent (SGD), Mini-Batch SGD).
Обратное распространение ошибки (Backpropagation)
Научитесь пересчитывать градиенты, строить производную функцию ошибки по весам и решать проблему исчезающего градиента.
Оптимизаторы: как ускорить и улучшить обучение
Узнаете про SGD, его улучшенные версии Adam, RMSprop, Adagrad и их особенности. Выберете подходящий метод оптимизации.
Функции активации
Узнаете, зачем нужны функции активации и какие из них популярные: Sigmoid, Tanh, ReLU и его вариации (Leaky ReLU, Parametric ReLU), Swish и GELU.
Обучение нейросети: основные проблемы и их решения
Поймёте, чем вызвано переобучение (Overfitting): Dropout, Batch Normalization, Data Augmentation; недообучение (Underfitting). Узнаете, почему модель не учится. Повысите сложность модели, подберёте архитектуру. Выясните, почему происходит взрыв и затухание градиентов, и изучите методы борьбы с этим: Gradient Clipping, нормализацию данных.
Введение в PyTorch и построение нейросети
Сравните PyTorch с TensorFlow и поймёте их ключевые различия. Рассмотрите основные сущности PyTorch: Tensor, Dataset, DataLoader, Neural Networks (torch.nn).
Реализуете полносвязную нейросеть (MLP) с нуля на PyTorch и обучите её на простом датасете
3
1 практическая работа・2 недели
Рекуррентные нейронные сети (RNN): от основ к трансформерам
- PyTorch
- RNN & LSTM
- Attention
- Transformers
Работа с последовательными данными
Узнаете, чем последовательности отличаются от обычных данных, а также изучите спектрограммы и аудио.
Простые RNN: теория и проблемы
Поймёте, как работает RNN и как происходит обучение RNN с использованием Backpropagation Through Time (BPTT). Рассмотрите проблему исчезающего и взрывающегося градиента.
Способы борьбы с проблемами обучения RNN
Изучите такие способы, как Gradient Clipping, использование нормализации, замена RNN на более устойчивые архитектуры.
GRU и LSTM: решение проблем RNN
Узнаете, как работают элементы памяти в GRU и LSTM и в чём между ними разница.
Bidirectional RNN: когда важен контекст с обеих сторон
Разберёте двунаправленные RNN и их применение.
Attention и трансформеры: конец эпохи RNN
Узнаете, почему Attention стал прорывом, разберёте архитектуру трансформеров и поймёте, почему трансформеры заменили RNN.
Реализуете RNN/LSTM с нуля на PyTorch и обучите модель на последовательных данных
4
1 практическая работа・2 недели
Свёрточные нейронные сети (CNN): от основ до продвинутых методов
- PyTorch
- CNN
Полносвязные сети для изображений и их ограничения
Узнаете, почему полносвязные сети неэффективны для изображений, какое необходимо количество параметров и что такое проблема вычислительной сложности.
Основы свёрточных сетей
Разберёте, что такое свёртка, рассмотрите принцип работы свёрточных фильтров, гиперпараметры свёртки: размер фильтра, пэддинг, страйд.
Пулинг и его виды
Узнаете, как пулинг уменьшает размерность данных и ускоряет обучение. Max Pooling vs Average Pooling.
Популярные архитектуры CNN
Рассмотрите популярные архитектуры CNN: LeNet — первая свёрточная сеть; AlexNet — революция в компьютерном зрении; VGG — простота и глубина; ResNet — почему остаточные связи изменили всё; EfficientNet — масштабирование сетей.
Методы улучшения качества CNN
Изучите аугментацию данных: зачем и как применять Dropout, Batch Normalization, Skip Сonnections и DenseNet
Transfer Learning: как дообучить предобученную модель?
Feature Extraction vs Fine-Tuning. Разберёте работу с предобученными моделями.
Построите собственную CNN на PyTorch, обучите модель на MNIST, дообучите предобученную модель на новых данных
5
1 проект・2 недели
Предобработка данных для моделей глубокого обучения (NLP, CV и Audio Analysis)
- PyTorch
- NLP
- CV
Предобработка текстов для NLP
Научитесь делать токенизацию, удалять стоп-слова, применять фильтрацию, лемматизацию и стемминг, представлять текст, выполнять векторизацию.
Предобработка изображений для CV
Научитесь изменять размер и масштаб изображений, выполнять их нормализацию, стандартизацию и аргументацию. Поймёте, как применять трансформации, подготавливать изображения для подачи в модель: преобразовывать их в тензоры, использовать генераторы данных в PyTorch, Dataset для создания кастомных классов.
Предобработка аудиоданных
Научитесь преобразовывать аудио в спектрограммы и классифицировать эмоции в аудиозаписях с использованием трансформеров (CNN).
Подготовите данные и подадите их на предобученные модели. Выберете метрики, функцию потерь и оптимизатор, проведёте обучение
+4 модуля・+4 проекта・+2 месяца
Специализация «Компьютерное обучение»
Сможете создавать и обучать модели нейронных сетей для автоматического анализа и интерпретации визуальной информации из окружающего мира, чтобы обучить системы распознавать объекты, извлекать данные и принимать решения на основе изображений и видео
Ещё 4 модуля
Детекция объектов, сегментация изображений, работа с видеопотоком, генерация изображений
Ещё 4 проекта
Загрузка предобученной модели и её тестирование на изображениях, развёртывание модели для анализа видеопотока в реальном времени
Реализуете собственный генеративный проект
+4 модуля・+4 проекта・+2 месяца
Специализация «Обработка естественного языка»
Освоите различные языковые модели, изучите самые продвинутые методы LLM и сразу начнёте применять их на практике
Ещё 4 модуля
Механизм многоглавного внимания и архитектура BERT, машинный перевод и модели Seq2Seq, извлечение именованных сущностей (NER), большие языковые модели (LLM)
Ещё 4 проекта
Использование BERT для решения задачи NLP, реализация машинного перевода с применением трансформеров, построение модели NER
Примените LLM в реальном времени: для генерации отчётов, документации и автоматизации общения с пользователями
Авторы — инженеры с большим опытом обучения нейросетей
Они собрали и систематизировали свои знания, чтобы вы учились на реальных кейсах, с которыми сталкиваются специалисты на практике
Антон Моргунов
Программный эксперт курса. Senior инженер по компьютерному зрению в Базис Центре.
Скрытый контент для пользователей All-dar.