Введение в нейронные сети

Хотите заглянуть «под капот» технологий, которые позволяют распознавать лица на фото, переводить речь или предсказывать курсы валют? Искусственные нейронные сети — это мощнейший инструмент современного Machine Learning, вдохновленный работой человеческого мозга. Они способны обучаться на данных и решать сложнейшие задачи, недоступные классическим алгоритмам.

Наш 6-дневный практический курс — это ваш входной билет в мир нейронных сетей. Вы не только поймете их принципы работы, но и создадите свою первую нейросеть на Python.  

Код курса Даты начала курса Стоимость обучения Длительность обучения Формат обучения
PYNN
30 июня 2025
06 октября 2025
 54 000 руб. 24 ак.часов
Количество дней: 6		 Дистанционный
Регистрация

О продукте:

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».

Что вы освоите?

Курс подходит для начинающих и практикующих специалистов, желающих систематизировать знания в ML и нейросетях. По окончании вы сможете:

    • Реализовывать модели для всех типов данных (таблицы, текст, изображения, аудио),

    • Оптимизировать и развертывать модели в production,

    • Работать с современными инструментами (PyTorch, TensorFlow, Hugging Face),

    • Понимать полный цикл разработки — от идеи до внедрения.

Аудитория:

  • Аналитики Данных: Чтобы использовать нейросети для более глубокого анализа и сложных прогнозов.
  • Разработчики (особенно Big Data): Для создания интеллектуальных приложений и сервисов
  • Руководители и Менеджеры: Чтобы понимать потенциал нейросетей для бизнеса и принимать верные стратегические решения.
  • Специалисты по Machine Learning: Желающим углубить свои знания и освоить нейросетевые подходы.

Уровень подготовки:

О курсе:

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.

Продолжительность: 6 дней, 24 академических часа / 8 дней, 32 академических часа*

*Стандартная программа — 24 ак. часа. Расширенная версия (32 ак.ч.) включает углубленные модули по табличным данным и LLM и проводится дополнительно, по запросу Заказчика.

Соотношение теории к практике 50/50

Программа курса «Нейронные сети на Python»

1. Введение в нейронные сети

    • Теоретическая часть: в рамках занятия рассказывается о задачах, которые решаются методами машинного обучения. Даются основные понятия о постановке таких задач, метриках качества, цикле разработки решения. Подробно рассказывается, в каких случаях классические методы уступают в качестве работы нейронным сетям.
    • Практическая часть: погружение в фреймворк PyTorch языка Python. Рассматривается пример модели для классификации изображений.

2. Работа с табличными данными* (входит в расширенную версию курса — 32 ак.ч.)

    • Теоретическая часть: в рамках занятия рассматриваются методы обработки и анализа табличных данных с использование библиотек pandas и matplotlib. Дается описание архитектуры полно связной нейронной сети и разбираются математические основы ее работы.
    • Практическая часть: рассматриваются примеры решения задачи классификации на табличных данных. Разбирается код создания модели с нуля на PyTorch, подготовка данных и обучение модели.

3. Обработка изображений и решение задач компьютерного зрения

    • Теоретическая часть: на занятии вы знакомитесь с основными задачами компьютерного зрения (CV – computer vision), а именно: классификацией изображений, детектированием объектов на них, сегментацией различных участков изображений и определением ключевых точек. Даются основные понятия сверточных нейронных сетей и современных архитектур для решения указанных задач.
    • Практическая часть: примеры использования алгоритма Yola для детекции объектов на изображении. Разметка изображений с использованием инструмента Label Studio.

4. Задачи обработки текстовых данных

    • Теоретическая часть: на занятии рассказывается о задачах в области обработки естественного языка (NLP – natural language processing), среди которых выделяются классификация текстов, поиск ключевых сущностей, расстановка знаков препинания и капитализация, векторизация и поиск семантически близких текстов, а также суммаризация. Описываются классические частотные подходы к обработке текстов, а также нейросетевые на основе рекуррентных нейронных сетей и трансформеров.
    • Практическая часть: решение задачи поиска ключевых сущностей на основе регулярных выражения, фреймворка Natasha и предобученной сети BERT.

5. Большие языковые модели* (входит в расширенную версию курса — 32 ак.ч.)

    • Теоретическая часть: рассмотрим передовые решения для задач суммаризации и построения чат-ботов на основе больших языковых моделей (LLM – large language model). Дается обзор проприетарных и открытых решений. Описываются нюансы эксплуатации и обучения LLM.
    • Практическая часть: создание чат-бота на основе открытой модели. Тестирование модели суммаризации текста.

6. Основы работы с аудиоданными

    • Теоретическая часть: в этом уроке рассказывается о том, с чего начинается обработка аудио данных, какие задачи стоят перед инженерами и как они их решают. Упор делается на современные подходы для перевода речи в текст (ASR – automatic speech recognition), диаризации спикеров и классификации голоса по полу и эмоциям.
    • Практическая часть: построение пайплайна речевой аналитики с дополнительной частью по суммаризации полученных транскриптов речи

7. Подготовка моделей перед использованием в продуктиве

    • Теоретическая часть: в рамках урока делается обзор основных фреймворков для работы с нейронными сетями на языке Python, а также других языках. Дается описание основных форматов, в которые нейронные сети могут быть сконвертированы для дальнейшей эксплуатации. Отдельно уделяется вопрос унификации формата и конвертации в onnx, а также оптимизации под разные вычислительные платформы.
    • Практическая часть: конвертация PyTorch моделей в форматы onnx и trt. Пример использования фреймворка Tensorflow.

8. Встраивание моделей машинного обучения в программные решения

    • Теоретическая часть: на уроке подводятся итоги курса, систематизируется пройденный материал. Дополнительно рассказывается о современных подходах работы с моделями машинного обучения – MLOps. Раскрываются плюсы и минусы использования моделей в монолитных и микросервисных архитектурах.
    • Практическая часть: создание микросервисов для инференса моделей машинного обучения в рамках REST API сервиса и отдельного инфереснс сервиса для запуска моделей на примере Triton Inference Server и Tensorflow Serving.
Скачать программу курса «PYNN: Курс Введение в нейронные сети на Python» в формате pdf

Отправить ссылку на:

Что Вы получите:

Окончив курс «Нейронные сети на Python» в нашем лицензированном учебном центре «Школа Больших Данных», вы получите удостоверение установленного образца, что свидетельствует о повышении квалификации. По умолчанию документ выдается в электронном виде (pdf-файл), по желанию делаем бумажный вариант без дополнительной оплаты.

Кто проводит курс

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)
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.

Чтобы записаться на курс PYNN: Введение в нейронные сети позвоните нам по телефону +7 (495) 414-11-21 или заполните форму регистрации ниже.

Я даю свое согласие на обработку персональных данных и соглашаюсь с политикой конфиденциальности.