Основное внимание в курсе уделено разработке, обучению и оптимизации нейросетевых моделей с использованием PyTorch и Python для решения актуальных задач в различных сферах бизнеса. Курс проводится в формате совмещённых лекций и практических занятий, что обеспечивает глубокое понимание теоретических концепций и их применение в реальных проектах. В рамках программы предусмотрены домашние задания и кейс-стади, позволяющие закрепить материал и подготовиться к внедрению ИИ-решений в производственную практику.
Предварительные требования: Для успешного прохождения курса слушатели должны владеть:
- базовыми знаниями Python;
-
элементарными понятиями машинного обучения, линейной алгебры и статистики;
-
навыками работы с аналитическими библиотеками (pandas, NumPy) и пониманием основ программирования.
По окончании курса слушатели смогут:
- разрабатывать и оптимизировать нейросетевые модели с использованием PyTorch;
-
применять различные архитектуры глубокого обучения для решения задач компьютерного зрения, обработки естественного языка и мультимодальных данных;
-
анализировать результаты обучения, проводить интерпретацию и оптимизацию моделей;
-
интегрировать нейросетевые решения в реальные приложения посредством создания REST API;
-
использовать современные подходы для развёртывания и мониторинга моделей в рамках MLOps.
Формат обучения:
Обучение проводится дистанционно по будням по 2 ак. часа в день с 10.00 до 11.30 по Московскому времени.
Цель курса:
Основная цель курса – дать слушателям практические навыки разработки, оптимизации и интеграции нейросетевых моделей для решения сложных задач. В рамках курса будут рассмотрены как базовые концепции глубокого обучения, так и передовые методы работы с данными, что позволит создавать конкурентоспособные решения для бизнеса.
Аудитория курса:
Настоящая программа предназначена для специалистов по анализу данных, разработчиков, исследователей и IT-менеджеров, желающих освоить современные методы глубокого обучения и нейросетевые технологии с использованием PyTorch. Курс подойдет тем, кто уже имеет базовые знания Python и элементарные представления о машинном обучении, а также тем, кто стремится углубить свои знания в области нейросетей и их практических приложений.
Модуль 1: Основы глубокого обучения и введение в PyTorch (8 часов)
- Введение в глубокое обучение: обзор современных трендов, бизнес-кейсов и перспектив применения ИИ
-
Экосистема PyTorch: обзор возможностей библиотеки, установка и настройка среды разработки
-
Работа с тензорами в PyTorch: основные операции, манипуляция данными и работа с GPU
-
Создание базовых моделей: реализация простой модели (линейная регрессия, перцептрон)
-
Практическое занятие: написание первой модели в PyTorch и анализ ее работы
Модуль 2: Архитектуры нейронных сетей (10 часов)
- Полносвязные нейронные сети: принципы работы, слои, функции активации и оптимизация
-
Сверточные нейронные сети (CNN): структура CNN, свёрточные и pooling-слои, классические архитектуры (LeNet, AlexNet)
-
Рекуррентные нейронные сети (RNN): основы RNN, LSTM, GRU для обработки последовательных данных
-
Практическое занятие: разработка и обучение модели для классификации изображений с использованием CNN
Модуль 3: Продвинутые методы и оптимизация нейросетей (8 часов)
- Трансферное обучение: использование предобученных моделей для ускорения разработки
-
Методы регуляризации: Dropout, Batch Normalization и техники предотвращения переобучения
-
Оптимизация гиперпараметров: подбор параметров, работа с оптимизаторами и функциями потерь
-
Практическое занятие: доработка модели с применением трансферного обучения и регуляризации
Модуль 4: Обработка естественного языка и мультимодальные сети (6 часов)
- Обработка текста: токенизация, эмбеддинги (Word2Vec, GloVe) и работа с последовательностями
-
Архитектуры для NLP: RNN, Transformer и их применение в задачах анализа текста
-
Мультимодальные нейронные сети: объединение данных изображений и текста для комплексных задач
-
Практическое занятие: разработка модели для анализа текстовых данных или мультимодального решения
Модуль 5: Развертывание, интерпретация и практические проекты (8 часов)
- Интерпретация нейросетевых моделей: методы визуализации и объяснения решений моделей (Grad-CAM, SHAP)
-
Введение в MLOps: основы автоматизации процессов обучения, мониторинга и обновления моделей
-
Интеграция моделей в приложения: создание REST API для модели с использованием Flask/FastAPI
-
Практическое занятие: разработка итогового проекта: от прототипирования до развертывания модели