Введение в нейронные сети
Практический курс «Введение в нейронные сети» — основы нейросетей для аналитиков, разработчиков Big Data, руководителей и специалистов по работе с большими данными.
| Код курса | Даты начала курса | Стоимость обучения | Длительность обучения | Формат обучения |
|---|---|---|---|---|
| PYNN | 16 декабря 2024 24 марта 2025 16 июня 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».
Аудитория:
Специалисты по работе с большими данными, разработчики, руководители желающие понять принципы функционирования нейронных сетей и получить практический навык их использования.
Уровень подготовки:
- Опыт программирования на Python
О курсе:
Данный курс является введением в тематику нейронных сетей. Основная цель – познакомить слушателей с современными подходами в нейросетевой обработке различных типов данных: текста, аудио и изображений. Большое внимание в курсе уделено именно практическому решению указанных задач на языке Python. По окончанию курса вы овладеете навыками создания полноценных решений с использованием нейросетей от сбора данных и выбора архитектуры нейросети до продуктивизации в виде API сервиса.
Продолжительность: 6 дней, 24 академических часа / 8 дней, 32 академических часа*
Соотношение теории к практике 50/50
Методические материалы: учебное пособие на русском языке
Программа курса «Введение в нейронные сети»
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 полносвязной 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.
Отправить ссылку на:
Что Вы получите:
Окончив курс «Введение в нейронные сети» 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
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)
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.