Курс: Машинное обучение

Продолжительность курса: 120 ак. ч.

Описание курса:
Machine learning — это процесс создания статистических моделей для нахождения закономерностей на основе подготовленных массивов данных.
Работающие модели применяют везде: от тяжёлого машиностроения до рекламы и ритейла.

Аудитория:
• Разработчики
• Аналитики
• Начинающие ML-специалисты

Необходимая подготовка:
Для успешного обучения вам необходимо владение на начальном уровне любым языком программирования, плюсом будет знание таких языков, как Python, Pascal, Java, MatLab, C/C++.

Программа курса:
Модуль 1. Введение в ML и DL
• Базовая математика и ее применение в ML
• Классические ML алгоритмы
• Введение в нейронные сети
• Обучение нейросетей
• Решение проблем с тренировкой нейросетей

Модуль 2. Компьютерное зрение
• Введение в компьютерное зрение
• Основы OpenCV
• Возможности OpenCV и его использование различных областях
• Преобразования изображений
• Введение в свёрточные нейронные сети (CNN). Основные понятия
• Классификация изображений
• Введение в детекцию объектов
• Детекция объектов с использованием VGG, ResNet и DenceNet
• Обнаружение объектов с использованием R-CNN, Fast R-CNN, Faster R-CNN и YOLO
• Семантическая сегментация: U-Net и DeepLab
• Трёхмерное компьютерное зрение: 3D CNN и PointNet
• Распознавание действий на видео: C3D и I3D
• Использование CV в беспилотниках
• Применение компьютерного зрения в реальных задачах: кейсы и примеры использования вышеупомянутых архитектур

Модуль 3. Обработка текста
• Введение в NLP
• Предобработка текста
• Анализ настроения
• Vector Space models
• Машинный перевод и поиск документов
• Autocorrect системы
• Речевые теги скрытые Марковские модели
• Autocomplete системы
• Введение в RNN
• LSTM и GRU: что это и для чего нужны
• Глубокое обучение в NLP: архитектуры и библиотеки
• Трансформеры и аттеншн-механизмы
• BERT, GPT и другие модели на основе трансформеров
• Обработка и анализ звука: основные понятия и инструменты
• Глубокое обучение для обработки аудио
• Интеграция NLP в бизнес-приложения

Модуль 4. Развёртывание моделей машинного обучения в производственной среде
• Введение в развёртывание ML моделей
• Docker в машинном обучении
• A/B тестирование ML моделей
• Тестирование ML кода с использованием Pytest
• Мониторинг и версионирование моделей
• Прунинг и дистилляция моделей
• DVC (Data Version Control)
• MLflow
• Airflow и Dagster
• System design для ML систем
• Пробное техническое собеседование
• Онлайн-занятие «Поиск работы в IT»
• Защита дипломного проекта

Окончательная цена указывается в договоре на обучение. Записаться на курс