PYNN: Нейронные сети на Python

Практический курс «Нейронные сети на Python»

Код курса Даты начала курса Стоимость обучения Длительность обучения Формат обучения
PYNN
16 декабря 2024
14 апреля 2025
54 000 руб. 24 ак.часов Дистанционный
Регистрация

Практический курс «Нейронные сети на Python» — основы нейросетей для аналитиков, разработчиков Big Data, руководителей и специалистов по работе с большими данными.

Что такое нейронные сети и при чем здесь машинное обучение (Machine Learning)

Искусственная нейронная сеть (нейросеть) – это математическая модель с программной или аппаратной реализацией, имитирующая функционирование биологических нервных клеток живого организма. В отличие от других вычислительных моделей, нейросети ориентированы на биологические принципы. Благодаря этому нейросетевые модели обладают следующими качествами:

  • массовый параллелизм;
  • распределённое представление информации и вычисления;
  • способность к обучению и обобщению;
  • адаптивность;
  • обработки информации в контексте окружающей среды;
  • толерантность к ошибкам;
  • низкое энергопотребление.

Правила работы нейросетевых алгоритмов не программируются, а вырабатываются в процессе обучения. Это обеспечивает адаптивность моделей к изменениям входных сигналов, включая шумовые воздействия. Сегодня нейросети считаются одним из наиболее популярных методов машинного обучения (Machine Learning) и используются в различных областях деятельности для решения следующих прикладных задач в условиях неполноты входной информации:

  • распознавание образов (визуальных, аудиозаписей, видеопотоков, графических изображений, рукописного текста и пр.);
  • прогнозирование будущих событий (поведение пользователей, погодные явления, курсы валют, возникновение и развитие чрезвычайных ситуаций и пр.);
  • классификация и кластеризация данных (финансовый скоринг, медицинская диагностика, выявление мошеннических операций);
  • интеллектуальный анализ данных, оптимизация бизнес-процессов и принятие управленческих решений.

Как именно нейросетевые алгоритмы и инструменты моделирования можно использовать для конкретных бизнес-кейсов, вы узнаете в рамках нашего образовательного курса «Введение в нейронные сети».

 

Кому нужны курсы по нейронным сетям

Практический курс «Нейронные сети на Python» предназначен для аналитиков, разработчиков программного обеспечения, руководителей и специалистов по работе с большими данными, которые хотят получить следующие знания и навыки:

  • понять, что такое нейросети, машинное обучение и искусственный интеллект;
  • освоить принципы функционирования нейронных сетей;
  • знать, как эффективно использовать нейросетевые модели в бизнесе;
  • разобраться с математическими основами нейронных сетей;
  • освоить базовые методы работы с нейросетевыми алгоритмами;
  • обрабатывать датасеты для подготовки к моделированию;
  • научиться строить собственные модели нейронных сетей;
  • интерпретировать результаты моделирования.

Предварительный уровень подготовки:

Как построен образовательный курс «Нейронные сети на Python»

Продолжительность: 6 дней, 24 академических часа.

Соотношение теории к практике 50/50

Методические материалы: учебное пособие на русском языке

Курс «Нейронные сети на Python» представляет собой прикладные основы наиболее популярного метода Machine Learning, включая всю необходимую теорию и практику по этой области искусственного интеллекта. В программе рассмотрена математическая база современных нейросетевых алгоритмов. В курсе приведены базовые задачи, которые могут быть решены с помощью методов нейросетей: классификация изображений и другие прикладные кейсы распознавания образов. Большое внимание уделено практическому решению задач с использованием нейросетевых методов на языке Python. Курсы по нейронным сетям также содержат материалы по применению сверточных нейросетей в production, в т.ч. обучение нейронной сети и ее интеграция с другими программными алгоритмами.

На практике вы самостоятельно создадите собственную нейросеть, решив задачи классификации с помощью этой модели машинного обучения. В результате освоения программы курса вы овладеете основными навыками создания веб-сервисов на базе нейросетей и сможете выбрать наилучшую архитектуру нейросети для конкретной бизнес-задачи.

Особенности курса:

  1. Основное внимание направлено не на теорию, а на практику и применимость решений в реальном бизнесе.
  2. Вся теория подкреплена реальными данными из практики.
  3. В конце каждой темы вы получите задание на проверку усвоенного материала.
  4. По результатам выполнения практического задания каждый слушатель получит индивидуальный фидбек от преподавателя.

Успешно окончив курс «Нейронные сети на Python» в нашем лицензированном учебном центре, вы получите сертификат о повышении квалификации установленного образца.

Программа курса "Нейронные сети на Python"

  1. Простейшие нейронные сети
    • Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета; полносвязные нейронные сети.
    • Практическая часть: первичный анализ датасета, предобработка данных, построение полносвязной нейронной сети.
  2. Математические основы нейронных сетей
    • Теоретическая часть: метрики качества работы нейронной сети, градиентный спуск, алгоритм обратного распространения ошибки, эффект переобучения.
    • Практическая часть: тонкая настройка нейронной сети на примере задачи классификации изображений.
  3. Свёрточные нейронные сети
    • Теоретическая часть: параметры сверточных нейронных сетей, предобученные нейронные сети.
    • Практическая часть: использование предобученных нейронных сетей на примере задачи классификации изображений.
  4. Решение кейса: “Классификация изображений”
    • Теоретическая часть: построение набора данных, фильтрация и предобработка данных.
    • Практическая часть: решение кейса.
  5. Использование нейронных сетей в production
    • Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask.
    • Практическая часть: создание веб-сервиса на фреймворке Flask.

Кто проводит курс

prepod-ermilov-dmitrij-mihajlovich.jpg
Преподаватель Школы Больших Данных

Ермилов Дмитрий

Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
  • Руководитель программ в Университете искусственного интеллекта, Москва.
  • Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)
prepod-oleg-konorev.jpg
Преподаватель Школы Больших Данных

Конорев Олег

Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Руководитель группы Data Science в НИИ “Квант”, Москва
  • Computer vision (CV) – решение задач по классификации и детектировании объектов на фото и видео, идентификации человека,  сегментации изображений и распознаванию текста с библиотеками OpenCV, Tensorflow API и архитектурами нейронных сетей  Yolo, SSD, fRCNN, U-net и пр.
  • Natural language processing (NLP– решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy и др. Построение различных архитектур на основе искусственных нейронных сетей с использованием различных представлений слов (Embedding, Word2Vec) и готовых нейросетевых решений (Bert, fastai)
  • Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей, а также предсказание значений временных рядов (time series forecasting) в приложении к котировкам активов с использованием классических решений (ARMA, ARIMA) и моделей на базе сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (LSTM,GRU) и их комбинаций.
  • Проекты сегментации сигналов с различных датчиков и приборов и распознавания речи (speech-to-text) с облачными сервисами Yandex и Google.
Если у Вас остались вопросы Вы можете позвонить к нам по телефону +7 (495) 414-11-21  или заполнить форму обратной связи на сайте.
Я даю свое согласие на обработку персональных данных и соглашаюсь с политикой конфиденциальности.

Поиск по сайту