Где изучить Deep Learning (глубокое обучение) в 2023 году. Платные и бесплатные онлайн-курсы.

Всем привет, друзья! ✌ Сегодня мы рассмотрим курсы Deep Learning, которые можно пройти без особых нервов, чтобы получить крутые навыки. Упражнения можно делать сидя дома без ограничений.

ПОЙДЕМ!

Что будет в статье

1. «? Глубокое обучение» — Нетология
2. «?Глубокое обучение. Основы» — Отус
3. «?Нейронные сети» — SkillFactory
4. Глубокое обучение — Udemy
5. «Курсы глубокого обучения» — edX Inc.
6. «Глубокое обучение» — ПостНаука
7. «Глубокое обучение» — НГУ
8. Глубокое обучение — ITEA
9. «Глубокое обучение: продвинутый курс» — HMS
10. «ГЛУБОКОЕ ОБУЧЕНИЕ 8.0» — НОЧНОЙ ДПО «НЬЮПРОЛАБ».
11. «ГЛУБОКОЕ ОБУЧЕНИЕ НА ВАШИХ ПАЛЬЦАХ» — курс DL
12. УЧЕБНЫЕ ПОСОБИЯ ПО ГЛУБОКОМУ ОБУЧЕНИЮ — КУРС ПО ГЛУБОКОМУ ОБУЧЕНИЮ
13. Специализация по глубокому обучению — Coursera
14. «Глубокое обучение на пальцах 1 — Введение» — Youtube
15. MIT Введение в глубокое обучение | 6.S191″ — Ютуб
16. Заключение

«?Deep Learning» — Нетология

Стоимость на 2023 год: 31 500 ₽ или в рассрочку 3 150 ₽/мес на 10 месяцев

• От персептрона к GAN: только практические кейсы
• Добавьте 8 проектов в свое портфолио
• Гибкая схема обучения, экспертная поддержка в сообществе, консультации наставников
• Формат обучения — Онлайн 
• Выходной уровень — Между+
• Для кого — Компьютерщики, компьютерные инженеры, программисты и разработчики

Глубокое обучение — это суперсила

С его помощью можно заставить компьютер видеть, создавать новые произведения искусства, переводить на разные языки, ставить диагноз или создавать механизмы, способные управлять собой. Если это не суперсила, то я даже не знаю, что это.

Чему вы хотите научиться на курсе

• Работа с многомерными сводками

Отступы и шаги, Пулинг и LeNet. AlexNet, VGG, NiN, GoogLeNet, ResNet и DenseNet станут рабочими инструментами, а не поисковыми системами

• Управление историей

И дело не только в вашем прогрессе в обучении: получите конкурентное преимущество в заданиях с помощью Beam-Search и Teacher Forcing

• Внедрить НЛП с нуля

От классических RNN, GRU и LSTM до топовых архитектур Encoder-Decoder. Токенизация, словари, символы и подробный анализ различных реализаций сети

• Современная сегментация

Готовое приложение: обнаружение объектов, локализация объектов, ограничивающие рамки и AnchorBoxes. Погрузитесь в CNN

• Отличить дискриминатор от генератора

Обучите генератор выбирать данные из линейной регрессии. Внедрить сеть генерации покемонов и обучить ее

• Создавайте языковые модели

НЛП в 2019 году растет быстрее, чем другие сети. NER и машинный перевод: от Word2Wec до тональности и преобразования текста

Для кого этот курс

• Для специалистов по данным
• Для компьютерных инженеров
• Для программистов и разработчиков

Нейронные сети — лишь один из инструментов машинного обучения, но с ними связаны все выдающиеся и интереснейшие прорывы современного искусственного интеллекта. Голосовые помощники, алгоритмы, обыгрывающие людей в компьютерных играх, чат-боты и распознавание людей на фотографиях — за всем этим стоят.

освоить эту науку (или искусство) сейчас проще простого: у нас есть мощные библиотеки, готовые архитектуры, которые позволяют даже новичкам получать отличные результаты.

Как мы будем учиться

• 10+ часов в неделю интенсивных занятий и практики с отраслевыми экспертами
• 5 предметных областей освоены по прикладным задачам
• 40 практических заданий с отзывами преподавателей
• 1000+ активных экспертов, менторов, студентов сообщества Data Science Netology
• 8 проектов в портфолио, в том числе финальный проект MVP
• 1 — после защиты диплома выдаем свидетельство о повышении квалификации

Дипломная работа на курсе

• Диссертация по РЛ
• Искусственный интеллект, выживающий в экстремальных условиях — на примере токсичного озера в игре Doom. Мы реализуем политики градиента, которые переводят состояние в действие, вместо традиционных функций ценности, которые сообщают нам ожидаемую сумму вознаграждения.
• Дипломная работа над текстами
• Чат-бот, поддерживающий переписку с человеком. Выбор методов широк: от двухстороннего LSTM до Transfer Learning, от моделей «последовательность к последовательности» с многоцелевым механизмом внимания до одной из многочисленных GAN.
• Выпускная работа с картинками
• Восстановление 3D-модели по набору фотографий с разных ракурсов, в том числе невидимых частей. Благодаря архитектуре CNN мы выполним прямую регрессию объемного представления трехмерной геометрии объекта из 2D-изображения.

Гарантия возврата денег

У вас есть три класса, чтобы попробовать. Сообщите нам, если передумаете, и мы вернем полную сумму.

Что вы получите в результате обучения

Достигнутые результаты

• Все 5 методов градиентного спуска были применены к логистической регрессии. Реализован график функции потерь в зависимости от эпохи
• Обученный многослойный персептрон с DrupOut и регуляризацией
• Построена авторегрессионная модель и предсказана синусоидальная функция
• Реализована собственная RNN Cell и обученная языковая модель
• Подобрана оптимальная архитектура Encoder-Decoder для задачи на внимание (Attention
• Реализована современная сегментация для задач обнаружения объектов
• Использовал FCN и UNet для решения проблемы сегментации
• Реализовано распознавание номера дома
• Предсказал вероятность выпадения следующего слова на основе цепей Маркова
• Внедрил и обучил сеть генерации покемонов

Мы поможем с трудоустройством

Вас ждет бесплатная программа трудоустройства от Центра развития карьеры

«?Deep Learning. Basic» — Otus

Стоимость на 2023 год: 45 000 ₽

Курс для начинающих программистов, аналитиков и студентов технических специальностей, желающих с нуля узнать, как строить современные решения на основе методов глубокого обучения.

Что вам даст этот курс

• Повторим с вами необходимые разделы математики: теорию информации, теорию вероятностей, линейную алгебру и основы анализа.
• Мы изучим основные библиотеки машинного обучения и фреймворки, работающие с нейросетями: от NumPy до TensorFlow.
• Мы будем решать классические задачи глубокого обучения по всем основным направлениям: «Компьютерное зрение», «Обработка естественного языка», «Обучение с подкреплением», «Генеративные сети”.

После прохождения курса:

• Вы сможете пройти собеседование на должность младшего инженера по глубокому обучению;
• Узнайте, как решать задачи машинного обучения с помощью нейронных сетей, такие как генерация рукописных цифр, самообучающийся бот крестики-нолики, классификация изображений и т д;
• Вы будете знать теорию, необходимую для прохождения продвинутых курсов. Карта курса Data Science в OTUS
• Научитесь работать с нейронными сетями с использованием фреймворков PyTorch, Tensorflow, Keras
• Изучите теорию и практику в важных областях глубокого обучения, таких как компьютерное зрение, НЛП, обучение с подкреплением
• Свежий материал по глубокому обучению
• Программа разработана признанным экспертом в области глубокого обучения

Необходимые знания

• Математика в старших классах средней школы.
• Базовые знания языка программирования Python.

Программа обучения

В ходе обучения вы получите обширные знания и навыки.

• Модуль 1: Предпосылки
• Тема 1. Обзорная сессия
• Тема 2. Градиентный спуск. Математика
• Тема 3. Градиентный спуск. Заключение
• Тема 4. Нампи
• Тема 5. Рассылки и информация
• Тема 6. PyTorch
• Тема 7. Регрессия журнала на pytorch
• Модуль 2. Нейронные сети
• Тема 8. Взрыв и распад градиентов
• Тема 9
• Тема 10. Линейная регрессия на TensorFlow
• Тема 11. Переобучение и регуляризация
• Тема 12. Автокодирование
• Тема 13. Вариационный автоэнкодер
• Тема 14
• Модуль 3: Глубокое обучение
• Тема 15. Сверточные сети. Классификация МНИСТ
• Тема 16. Сверточные сети, тонкая настройка
• Тема 17. Обучение с подкреплением. Q-обучение для TicTacToe
• Тема 18. Генеративно-состязательные сети (GAN)
• Тема 19. Рекуррентные сети
• Тема 20
• Тема 21. Что дальше? Обзор направлений DL
• Модуль 4. Модуль проекта
• Тема 22. Выбор темы и организация проектной работы
• Тема 23. Консультация по проектам и домашним заданиям
• Тема 24. Охрана инженерных работ

Примеры тем проекта:

• обучение с подкреплением. Нейросеть для игры в крестики-нолики;
• компьютерное зрение. Генерация новых изображений;
• обработка естественного языка. Посимвольная генерация текста.

«?Нейронные сети» — SkillFactory

Стоимость на 2023 год: 36 900 руб или в рассрочку на 12 мес

В конце курса:

• Научитесь использовать алгоритмы глубокого обучения для решения бизнес-задач
• Углубите свои знания в области науки о данных
• Обучить 7 нейронных сетей
• Участвуйте в командных соревнованиях на Kaggle

Машинное обучение — одна из самых быстрорастущих областей знаний! Инвестиции в машинное обучение вырастут в 5 раз в течение следующих 3 лет. И глубокое обучение находится в авангарде этой отрасли.

Вы сможете пройти этот курс, если у вас есть базовое понимание машинного обучения и знание языка Python. Курс проведет вас от аренды сервера с графическим процессором, подходящего для глубокого обучения, до создания полной рабочей модели для компьютерного зрения, анализа естественного языка и систем рекомендаций.

Курс познакомит с основными библиотеками для глубокого обучения, такими как TensorFlow, Keras и другие.

Курс информатики

• Питон
• Математика и статистика
• Машинное обучение
• Глубокое обучение
• Компьютерная инженерия
• Управление

«Глубокое обучение» — Udemy

Учащиеся, изучающие глубокое обучение, также изучают

• Машинное обучение
• Искусственный интеллект
• ТензорФлоу
• Нейронные сети
• Обработка и анализ данных
• Питон
• Компьютерное зрение
• ПиТорч
• Обработка естественного языка
• Машинное обучение для подкрепления
• Керас
• Р (язык программирования)
• Анализ данных
• OpenCV
• Визуализация данных
• Сверточные нейронные сети
• Сбор данных
• Статистика

«Deep Learning Courses» — edX Inc.

• Машинное обучение с
• Python: из линейного
• Модели для глубокого обучения

• Глубокое обучение IBM

• Глубокое обучение с
• Питон и ПиТорч

• Глубокое обучение с
• Тензорный поток

• Глубокое обучение
• Основы с Керасом

• Прикладное глубокое обучение
• Проект «Замковый камень

• ИИ для всех: Мастера
• фундаментальный

• Основы PyTorch для
• Машинное обучение

• Введение в глубину
• Обучение

• Основы TinyML

• Приложения TinyML

• Реализует TinyML

• Немного машинного обучения
• (Крошечный мл)

«Глубокое обучение» — ПостНаука

Алгоритмы машинного обучения требуют структурирования объемов данных и в то же время предполагают постоянное вмешательство человека в процесс обучения искусственного интеллекта. Напротив, сети глубокого обучения могут структурировать данные самостоятельно, учиться на своих ошибках и не требуют вмешательства человека. Механизмы глубокого обучения уже используются для распознавания речи, компьютерного зрения, генерации изображений и звука. В эпоху больших данных, когда объем данных стремительно растет с каждым днем, ключом к настоящему искусственному интеллекту является глубокое обучение.

• ГЛУБОКОЕ ОБУЧЕНИЕ
  • 01 Глубокое обучение
  • 02 Глубокая нейронная сеть с прямой связью
  • 03 Долговременная память
  • 04 Искусственные нейронные сети: архитектура и обучение
  • 05 Обучение нейронных сетей
  • 06 Машина Гёделя
  • 07 Вероятность скорости
  • 08 Глубокие нейронные сети
  • 09 Глубокие нейронные сети: приложения
  • 10 Описание неописуемых глубин: тест на глубокое обучение

«Deep Learning» — НГУ

Курс предназначен для тех, кто хочет получить практические навыки создания собственных проектов с использованием глубоких нейронных сетей. За 20 часов вы изучите основы глубокого обучения и поймете, как строить простые нейронные сети. Вы узнаете о моделях YOLO и Mask-RCNN, познакомитесь с MMDetection, инфраструктурой Keras, узнаете, как маркировать наборы данных в Labelme и VGG Image Annotator, и многое другое. Вы не только освоите теорию, но и поймете, как ее применять на практике. Глубокое обучение — это крупный научный и технологический прорыв 21 века, который изменит нашу жизнь. Станьте одним из инсайдеров!

Программа курса

• Тема 1. Введение в глубокое машинное обучение
• Познакомимся с концепцией глубокого обучения, поговорим о появлении искусственного интеллекта и различных типов нейросетей, попробуем демо-проекты от NVidia
• Тема 2. OpenCV, Numpy, matplotlib и другие библиотеки Python
• Для работы с популярными фреймворками и создания собственных моделей нам необходимо знание языка программирования Python. Простой синтаксис позволяет быстро включиться в процесс и приступить к работе
• Тема 3. GPU, структура нейронных сетей, популярные модели глубокого обучения
• Почему мы используем графические процессоры для работы с нейронными сетями? Что такое сетевая модель? Зачем нужен набор данных и почему он разбит на части?
• Тема 4. Наборы данных для сверточных нейронных сетей
• Загрузчики данных для работы с большими наборами данных и расширения данных за счет расширения
• Тема 5. Локализация объектов на изображениях
• Почему сеть может обучаться и как мы можем идентифицировать объекты на изображениях, отслеживать вычисления в режиме реального времени и с визуальным интерфейсом
• Тема 6. Обучение нейронной сети, измерение производительности
• Сверточные нейронные сети, их структура, обучение фреймворку YOLO (You Only Look Once
• Тема 7. Фреймворк Keras, оптимизация сети, трансферное обучение
• Познакомимся с популярным фреймворком Keras, созданным специально для удобной работы с готовыми моделями и для создания собственных моделей. Давайте посмотрим, как мы можем улучшить производительность модели, используя другие конфигурации и методы расширения набора данных
• Тема 8. Фреймворк MMDetection: локализация и сегментация
• Наконец, давайте перейдем к более сложным системам, создадим собственный набор изображений и попробуем справиться с аннотациями и преобразованием набора данных
• Темы 9, 10. Проектная работа
• Закончим туториал созданием рабочей модели для распознавания объектов на изображениях, созданных вручную. Теперь мы можем использовать накопленный опыт и знания для выполнения домашних или рабочих проектов, связанных с распознаванием объектов

После курса вы научитесь

• Прочтите код фреймворка глубокого обучения
• Самостоятельно обучайте модели работе с вашим набором данных
• Добивайтесь максимальных результатов, понимая алгоритм работы нейронных сетей

«Deep Learning» — ITEA

Стать инженером по машинному обучению? С ИТЭА!
Deep Learning — это учебник, который поможет начинающим специалистам по машинному обучению реализовать собственные решения проблем компьютерного зрения. С ITEA вы научитесь легко и эффективно использовать нейронные сети для обработки естественного языка и прогнозирования временных рядов.

На курсе вы узнаете:

• Используйте библиотеку Tensorflow и API Keras
• Используйте нейронные сети для решения реальных задач компьютерного зрения, обработки естественного языка и прогнозирования временных рядов

Обучение глубокому обучению: обзор курса

1. Введение Наука о данных, машинное обучение и глубокое обучение

• Что такое нейронная сеть?
• Что делают нейроны?
• Простая нейронная сеть (персептрон)
• Создание простой нейронной сети
• Прямое распространение и обратное распространение

1. Современные нейронные сети

• Тензорфлоу и Керас
• ПиТорч
• Создание простой нейронной сети с помощью Keras

1. Сверточные нейронные сети

• Команда CNN
• Функциональное обучение
• Простая классификация изображений в Keras
• Создание множественного классификатора

1. Обработка и улучшение изображений

• OpenCV
• Аугментация в Керасе
• Альбуминизация

1. Перенос обучения для классификации

• Основная идея переноса обучения
• Имиджнет
• Ленет
• АлексНет
• VGGNet
• Гуглленет
• Реснет
• ZFNet

1. Обнаружение объекта

• R-CNN
• SSD
• ЙОЛО

1. Сегментация изображения

• Полная сверточная сеть (FCN)
• Парсенет
• Ю-Нет
• Маска R-CNN
• ССМА
• ДипЛаб
• МинковскиНет

1. Генеративные конкурентные нейронные сети

• Как работают GAN
• Передача нейронного стиля
• Автоэнкодеры
• Создание GAN в Керасе

1. Обработка естественного языка

• Подготовка текста
• Задачи НЛП: анализ настроений, абстракция текста, генерация текста, моделирование темы
• Мешок слов
• Тексты как последовательности

1. Особенности проектирования для НЛП

• Tf-idf
• Лематизация и настройка
• N-грамм
• Создание функций подобия

1. Порядковая конструкция

• Word2vec
• Перчатка
• быстрый текст

1. Модели последовательности

• ЛСТМ
• РНН
• УЖАСНЫЙ

1. Перенос обучения для НЛП

• XLNet
• БЕРТ
• NER модели

1. Моделирование тем и обобщение текстов

• Классические LDA и LSA
• lda2vec
• Семья

1. Автоматизация ответов на вопросы через нейронные сети

• QRN
• Внимательный LSTM
• ГиперКК
• XLNet, чтобы ответить на вопросы

1. Прогнозирование временных рядов с помощью нейронных сетей

• Обработка временных рядов
• Подготовка функций для временных рядов
• Простые подходы к прогнозированию временных рядов

1. Рекуррентные нейронные сети для временных рядов

• LSTM для одномерных временных рядов
• LSTM для многомерных временных рядов

1. Улучшение глубоких нейронных сетей

• Оптимизация алгоритма
• Настройка гиперпараметра
• Пакетная нормализация

1. Tensorflow для производства

• Расширенный Tensorflow (TFX)
• Показ переходов
• Колба
• Апачи

1. Презентации курсовых проектов

«Deep Learning: расширенный курс» — НИУ ВШЭ

Студенты должны иметь возможность ознакомиться с моделями на основе искусственных нейронных сетей, а также с теорией, описывающей их работу. Будут рассмотрены примеры решения задач распознавания изображений и анализа текста с использованием библиотеки Tensorflow. Исследование содержит обширную практическую часть и много самостоятельной работы.

По завершению программы вы поймете, как работают нейросетевые модели, на что они способны на данный момент и каковы их ограничения. Вы получите практический опыт решения реальных проблем и развития с помощью Tensorflow.

Программа курса

• Управление в нейронной сети.
• Адаптивные варианты градиентного спуска.
• Алгоритм обратного распространения.
• Инструменты на Python для обучения нейронных сетей.
• Пакетная нормализация. Инициализация. Эвристика для обучения сетей.
• Сверточные нейронные сети.
• Ренетт трансферное обучение. Метрическое обучение.
• Интерпретация сверточных нейронных сетей. Передача стиля.
• Автоэнкодеры, вариационные автоэнкодеры.
• Генеративные нейронные сети.
• Введение в НЛП, word2vec, эмбеддинги.
• Рекуррентные нейронные сети, LSTM, GRU.
• Сверточные сети для НЛП.
• Краткий текст, модели трансформаторов ELMO. БЕРТ.
• Модели Seq2Seq.
• Введение в РЛ. Введение в байесовские нейронные сети.

«DEEP LEARNING 8.0» — НОЧУ ДПО «НЬЮПРОЛАБ».

Что входит в программу

2 проекта

Проекты выполняются в качестве домашнего задания (7-10 часов в неделю) и основаны на реальных кейсах. Работа будет вестись в двух форматах: 1) работа с Google Colab для итерационной работы и выбора правильной архитектуры нейросети, 2) работа с AWS Spot Instances для долгосрочного обучения моделей.

8 уроков

Они отправляются напрямую. Видеозаписи доступны в личном кабинете. Занятия организованы так, что преподаватель рассматривает тенденции, рассказывает о проектировании архитектур, показывает практические кейсы, показывает подводные камни и лучшие практики.

1 руководство

Дополнительная задача и руководство по разметке данных на платформе аудитории Яндекс.Толока. Могут возникнуть трудности с сортировкой данных. Поэтому важно правильно поставить перед спортсменами задачу и создать стимулы для качественной работы.

Что вы хотите узнать

Наша программа состоит из двух компонентов

Компьютерное зрение

Узнайте, как предварительно обрабатывать изображения и их последующую классификацию.

Проект: классификация типов комнат и помещений по изображению в рамках задачи по созданию виртуальной адаптации интерьера.

Обработка естественного языка

Изучите задачи создания и классификации текстов с помощью Deep Learning.

Проект: классификация намерений чат-бота в рамках задачи по созданию голосового помощника для справочной службы

«DEEP LEARNING НА ПАЛЬЦАХ» — DL Course

Курс предназначен для работы с современным глубоким обучением с нуля и не требует знаний ни о нейронных сетях, ни о машинном обучении в целом. Лекции потоками на Youtube, задания на Python, обсуждения и помощь в лучших русскоязычных ML сообществах — ODS.ai и ClosedCircles.

Одновременно и в том же объеме курс читается для студентов Новосибирского государственного университета, а также студентов Новосибирского центра CS.

ЛЕКЦИИ И ЗАДАНИЯ

Лекция 1: Введение	20 февраля, 8:40 по московскому времени	О чем курс, что такое машинное обучение и глубокое обучение, основные направления — компьютерное зрение, НЛП, распознавание речи, обучение с подкреплением. Ресурсы.	Видео слайды
Семинар 1: Python, numpy, блокноты		Краткий обзор необходимых для курса инструментов — Python, Jupyter, numpy. Google Colab как среда выполнения Jupyter Notebook в облаке.	Видео Материалы
Лекция 2: Элементы машинного обучения	27 февраля, 8:40 по московскому времени	Обзор управляемой учебной задачи. K-ближайший сосед как пример простого алгоритма обучения. Тренировочные и тестовые наборы. Гиперпараметры, их выбор с помощью наборов валидации и кросс-валидации. Общая последовательность действий по обучению и проверке моделей (Machine Learning Flow).	Видео слайды
Семинар 2: Настройка рабочей среды		Установите среду, необходимую для решения задач. Некоторые детали КНН.	Видео
Упражнение 1, часть 1: K-ближайший сосед		Знание Python и numpy, реализация K-ближайших соседей вручную. Выбор гиперпараметров с перекрестной проверкой.	Упражнение
Лекция 3: Нейронные сети	6 марта 8:40 по московскому времени	Линейная классификация представляет собой нейронную сеть с одним слоем. Softmax, функция кросс-энтропийных потерь. Обучение стохастическому градиентному спуску, регуляризация веса. Многослойная нейронная сеть, алгоритм обратного распространения полностью связанных слоев.	Видео слайды
Семинар 3: Вычисление градиентов		Подробный анализ расчета softmax и кросс-энтропийных градиентов.	Видео
Упражнение 1, часть 2: Линейный классификатор		Самостоятельная реализация линейного классификатора, подсчет градиентов и обучение с помощью SGD.	Упражнение
Лекция 4: PyTorch и подробности	13 марта, 8:40 по московскому времени	Обратное распространение с матрицами. Знакомство с PyTorch. Инициализация масштаба. Улучшенные алгоритмы градиентного спуска (Adam, RMSProp и т д).	Видео слайды
Упражнение 2, часть 1: Нейронные сети		Реализация собственной многослойной нейронной сети и ее обучение.	Упражнение
Лекция 5: Нейронные сети на практике	20 марта, 8:40 по московскому времени	Графические процессоры. Процесс обучения и переобучения/недообучения на практике. Отжиг скорости обучения. Пакетная нормализация. Ансамбли. Что нового в 2018 году.	Видео слайды
Упражнение 2, часть 2: ПиТорч		Реализация нейронной сети на PyTorch, практика обучения и визуализация прогнозов моделей.	Упражнение
Лекция 6: Сверточные нейронные сети	27 марта 8:40 по московскому времени	Свертка и слияние слоев. Эволюция архитектур: LeNet, AlexNet, VGG, ResNet трансферное обучение. Подкрепления.	Видео слайды
Задача 3: Сверточные нейронные сети		Реализация сверточных нейронных сетей вручную и на PyTorch.	Упражнение
Лекция 7: Сегментация и обнаружение объектов (Владимир Игловиков)	3 апреля 8:40 по московскому времени	Более сложными задачами с компьютерным зрением являются сегментация и поиск объектов на изображении (обнаружение объектов).	Видео слайды версии 2017
Задача 4: Колбаса или нет		Применение методов трансферного обучения и тонкой настройки на примере распознавания хот-догов.	Упражнение
Лекция 8: Обучение метрике, автоэнкодеры, GAN	10 апреля, 8:40 по московскому времени	Metric Learning на примере распознавания лиц, обзор некоторых неконтролируемых методов обучения в DL.	Видео слайды
Лекция 9: Введение в НЛП, word2vec	17 апреля 8:40 по московскому времени	Краткий обзор области обработки естественного языка и применения к ней глубокого обучения на примере word2vec.	Видео слайды
Упражнение 5: Word2Vec		Реализация word2vec на PyTorch для небольшого набора данных.	Упражнение
Лекция 10: Рекуррентные нейронные сети	24 апреля 8:40 по московскому времени	Применение рекуррентных нейронных сетей (рекуррентных нейронных сетей) в задачах распознавания естественного языка. Подробная информация об архитектуре LSTM.	Видео слайды
Упражнение 6: RNN		Использование LSTM для определения части речи (маркировка части речи). Адаптировано из курса Даниила Анастасьева с разрешения автора.	Упражнение
Лекция 11: Распознавание звука и речи (Юрий Бабуров)	1 мая, 8:40 по московскому времени	Применение методов глубокого обучения к проблеме распознавания речи. Краткий обзор других задач, связанных со звуком.	Видео слайды
Лекция 12: Обратите внимание на следующее	8 мая 8:40 по московскому времени	Использование механизма внимания в НЛП на примере задачи машинного перевода. Архитектура-трансформер, современная застройка.	Видео слайды
Лекция 13: Обучение с подкреплением	15 мая, 8:40 по московскому времени	Введение в обучение с подкреплением с использованием методов глубокого обучения. Основные алгоритмы — градиенты политик и Q-Learning	Видео слайды
Упражнение 7: Политические градиенты		Решение проблемы модели RL — Cartpole с использованием алгоритма REINFORCE на основе градиентов политик. Подготовил Сергей Свиридов	Упражнение
Лекция 14: Подробнее об обучении с подкреплением	22 мая, 8:40 по московскому времени	RL на основе моделей на примере AlphaZero. Критика и некоторые возможные пути развития области.	Видео слайды
Упражнение: Написать сообщение о статье		Читайте и описывайте в посте одну из современных статей по глубокому обучению!	Инструкции по использованию
Лекция 15: Заключение	22 мая, 8:40 по московскому времени	Полученные результаты. Что вы можете сделать после курса, чтобы увеличить количество Deep Learning в своей жизни.	Видео слайды

«DEEP LEARNING TUTORIALS» — DEEP LEARNING COURSES

Начните глубокое обучение с нуля! Изучите машинное обучение, науку о данных, искусственный интеллект с нуля — опыт не требуется!

Обучение мирового уровня в области искусственного интеллекта, глубокого обучения и науки о данных

Нашими курсами уже воспользовались сотни тысяч студентов. Вы изучите фундаментальные концепции, основанные на продвинутой математике и визуализации, чтобы понять алгоритмы машинного обучения на глубоком и интуитивном уровне, и каждый курс содержит практические примеры с реальными данными, чтобы вы могли сразу применить эти концепции в своей работе.

«Специализация Глубокое обучение» — Coursera

Станьте экспертом по машинному обучению. Освойте основы глубокого обучения и погрузитесь в ИИ.

ЧТО ВЫ ХОТИТЕ УЗНАТЬ

• Создавайте и обучайте глубокие нейронные сети, определяйте ключевые параметры архитектуры, внедряйте векторизованные нейронные сети и глубокое обучение в приложения
• Обучайте наборы тестов, анализируйте дисперсию для приложений глубокого обучения, используйте стандартные методы и алгоритмы оптимизации и создавайте нейронные сети в TensorFlow
• Создайте CNN и используйте ее для задач обнаружения и распознавания, используйте передачу нейронных стилей для создания произведений искусства и применяйте алгоритмы к данным изображений и видео
• Создавайте и обучайте RNN, работайте с NLP и встраиваниями Word, а также используйте токенизаторы HuggingFace и модели преобразования для выполнения NER и ответов на запросы

«Deep learning на пальцах 1 — Введение» — Youtube

«MIT Introduction to Deep Learning | 6.S191» — Youtube

Заключение