Информатизация и образование

Сайт содержит лишь справочные данные из открытых источников. Мы НЕ Рекламируем и НЕ Рекомендуем покупать или использовать ВСЕ упомянутые на сайте программы, оборудование и технологии

Бесплатная подготовка по машинному обучению, нейронным сетям и искусственному интеллекту

Ресурсы для обучающихся - Курсы и вебинары

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:

Python: основы. Библиотека Numpy. Библиотека Matplotlib
Введение в линейную алгебру. Векторы. Матрицы и операции с ними
Основы теории вероятностей
Элементы теории оптимизации. Градиент. Градиентный спуск
Введение в машинное обучение. Общие принципы и понятия
Введение в машинное обучение. Supervised Learning. Линейные модели
Классы в Python. Основы ООП
Введение в глубокое обучение. Перцептрон. Нейрон с сигмоидой (и другими функциями активации)
Основы фреймворка PyTorch
Многослойный перцептрон. Полносвязные нейросети
*Backpropagation в нейронных сетях
Практические советы по обучению нейросетей (инициализация, регуляризация, продвинутые методы оптимизации)
Свёрточные нейронные сети (CNN). Основные принципы и понятия.
Современные архитектуры свёрточных нейросетей (AlexNet, ZFNet, VGG, Inception, ResNet, SqueezeNet, ResNeXt, MobileNet, DenseNet)
Практическое занятие по облачным сервисам (Google Cloud, Amazon Web Services)
Transfer Learning и Fine Tuning нейросетей с помощью PyTorch
Визуализация нейросетей. Google Deep Dream
Neural Style Transfer (нейронный перенос стиля изображения)

Второй семестр:

Детектирование объектов на изображениях с помощью нейросетей
Сегментация изображения с помощью нейронных сетей (семантическая, instance, паноптическая)
Pose Estimation (оценка позы человека) с помощью CNN
Распознавание лиц с помощью с помощью нейронных сетей
Основы работы с текстовыми данными. OneHot-кодирование. Bag of Words. N-граммы. Анализ тональности текста
Embeddings (векторизация данных). Word2Vec. GloVe. Wide&Deep neural networks
Рекуррентные нейронные сети: основы. "Vanilla RNN"
Image Captioning: описание происходящего на изображении с помощью нейросетей
Gated Recurrent Unit (GRU) и Long Short-Term Memory (LSTM) ячейки
Sequence2Sequence. Нейросетевой подход к задаче перевода текста (neural machine translation)
Работа с audio и речью. WaveNet. Генерация речи. Распознавание речи
Unsupervised Learning. Autoencoders. Sparse Autoencoders. Denoising Autoencoders
*Variational Autoencoders
Генеративные состязательные сети (GAN). Примеры и основные виды
Adversarial examples
Reinforcement Learning