Информатизация и образование

Высшее образование - Информационная поддержка: новости ГИА и ЕГЭ, электронное обучение, библиотеки, программное обеспечение и борьба с плагиатом

  • Full Screen
  • Wide Screen
  • Narrow Screen
  • Increase font size
  • Default font size
  • Decrease font size

Бесплатная подготовка по машинному обучению, нейронным сетям и искусственному интеллекту

Московский физико-технический институт набирает студентов для прохождения БЕСПЛАТНОЙ подготовки в своих кружках по следующим направлениям: 

  • машинное обучение, 
  • нейронные сети, 
  • искусственный интеллект.

бесплатные кружки по машинному обучению и нейронным сетям

 

Школа глубокого обучения (Deep Learning School) -- кружок от ФПМИ МФТИ, рассчитанный на старшеклассников, интересующихся программированием и математикой. Занятия ведут студенты Физтех-школы прикладной математики и информатики МФТИ.

Цель курсов кружка -- познакомить слушателей с основными принципами глубокого обучения (нейронных сетей) в интерактивном формате и на примере практических задач. 

 

Школьникам можно проходить курс в двух форматах: очное обучение (занятия 1 раз в неделю) и онлайн-обучение.

  • На очных занятия лекции и семинары будут рассказываться лично, а онлайн-слушателям будут доступны только видеозаписи. 
  • Другим слушателям доступна только онлайн-форма занятий. Видео-лекции, материалы с семинаров и домашние задания будут доступны вне зависимости от формата.
 
 

Почему нейросети?

Практически все сервисы таких крупных компаний, как Google, Яндекс, Facebook, Microsoft, используют нейронные сети для своей работы. Почему? Потому что они крайне эффективны в задачах, связанных с компьютерным зрением (например, Google Photo) и обработкой естественного языка (например, Яндекс.Алиса). И это далеко не все применения нейросетей. Самые современные подходы способны на то, что раньше казалось фантастикой.

 

Основные темы:

Инструменты: Jupyter Notebook; Google Colab

ПЕРВЫЙ СЕМЕСТР:

  1. Python: основы. Библиотека Numpy. Библиотека Matplotlib

  2. Введение в линейную алгебру. Векторы. Матрицы и операции с ними

  3. Основы теории вероятностей

  4. Элементы теории оптимизации. Градиент. Градиентный спуск

  5. Введение в машинное обучение. Общие принципы и понятия

  6. Введение в машинное обучение. Supervised Learning. Линейные модели

  7. Классы в Python. Основы ООП

  8. Введение в глубокое обучение. Перцептрон. Нейрон с сигмоидой (и другими функциями активации)

  9. Основы фреймворка PyTorch

  10. Многослойный перцептрон. Полносвязные нейросети

  11. *Backpropagation в нейронных сетях

  12. Практические советы по обучению нейросетей (инициализация, регуляризация, продвинутые методы оптимизации)

  13. Свёрточные нейронные сети (CNN). Основные принципы и понятия.

  14. Современные архитектуры свёрточных нейросетей (AlexNet, ZFNet, VGG, Inception, ResNet, SqueezeNet, ResNeXt, MobileNet, DenseNet)

  15. Практическое занятие по облачным сервисам (Google Cloud, Amazon Web Services)

  16. Transfer Learning и Fine Tuning нейросетей с помощью PyTorch

  17. Визуализация нейросетей. Google Deep Dream

  18. Neural Style Transfer (нейронный перенос стиля изображения)

Второй семестр:

  1. Детектирование объектов на изображениях с помощью нейросетей

  2. Сегментация изображения с помощью нейронных сетей (семантическая, instance, паноптическая)

  3. Pose Estimation (оценка позы человека) с помощью CNN

  4. Распознавание лиц с помощью с помощью нейронных сетей

  5. Основы работы с текстовыми данными. OneHot-кодирование. Bag of Words. N-граммы. Анализ тональности текста

  6. Embeddings (векторизация данных). Word2Vec. GloVe. Wide&Deep neural networks

  7. Рекуррентные нейронные сети: основы. "Vanilla RNN"

  8. Image Captioning: описание происходящего на изображении с помощью нейросетей

  9. Gated Recurrent Unit (GRU) и Long Short-Term Memory (LSTM) ячейки

  10. Sequence2Sequence. Нейросетевой подход к задаче перевода текста (neural machine translation)

  11. Работа с audio и речью. WaveNet. Генерация речи. Распознавание речи

  12. Unsupervised Learning. Autoencoders. Sparse Autoencoders. Denoising Autoencoders

  13. *Variational Autoencoders

  14. Генеративные состязательные сети (GAN). Примеры и основные виды

  15. Adversarial examples

  16. Reinforcement Learning

 

Для кого:

Основная аудитория -- школьники 9-11 класса, интересующиеся математикой и программированием.  Однако подать заявку может любой желающий.

Всю информацию вы можете узнать на основном ресурсе и здесь же подать заявку на участие: https://www.dlschool.org

Так же организация представила хранилище полезных материалов школы: https://github.com/DLSchool

 

 

Отзывы и комментарии

blog comments powered by Disqus


Похожие статьи:
Следующие статьи:

Добавить комментарий


You are here: Курсы компьютерной грамотности Бесплатная подготовка по машинному обучению, нейронным сетям и искусственному интеллекту