Глубокое обучение и архитектура нейросетей

Программа курса

Ознакомьтесь с программой курса «Глубокое обучение и архитектура нейросетей» от EasyPro Academy - easypro.academy

1. Введение в глубокое обучение - 1 час. Отличие глубокого обучения от классического машинного обучения. Обзор архитектур: полносвязные сети, сверточные сети (CNN), рекуррентные сети (RNN). Настройка рабочей среды: Google Colab, установка TensorFlow и PyTorch.
2. Основы нейросетей на Python - 1 час. Создание первой полносвязной нейросети (Dense) на Keras. Понятие слоя (layer), функции активации (ReLU, Sigmoid, Softmax), компиляция модели (оптимизатор, функция потерь).
3. Работа с данными в глубоком обучении - 1 час. Загрузка датасетов (MNIST, CIFAR-10). Предобработка: нормализация, изменение размерности, one‑hot encoding. Разделение данных на train/test/validation.
4. Обучение и оценка модели - 1 час. Процесс обучения (fit), эпохи (epochs), батчи (batch size). Метрики оценки (accuracy, loss). Визуализация кривых обучения с помощью matplotlib. Переобучение (overfitting) и недообучение (underfitting).
5. Регуляризация и оптимизация - 1 час. Методы борьбы с переобучением: Dropout, Early Stopping, регуляризация L1/L2. Подбор гиперпараметров. Сохранение и загрузка обученных моделей.
6. Сверточные нейросети (CNN). Теория и архитектура - 1 час. Устройство сверточных слоев (Conv2D), пулинга (MaxPooling2D). Чем CNN лучше полносвязных для изображений. Обзор известных архитектур: LeNet, AlexNet.
7. CNN на практике. Классификация изображений - 1 час. Построение сверточной сети для классификации изображений CIFAR‑10. Добавление сверточных и пулинговых слоев. Визуализация карт признаков (feature maps).
8. Аугментация данных - 1 час. Увеличение обучающей выборки с помощью аугментации (повороты, сдвиги, отражения). Использование ImageDataGenerator в Keras. Влияние аугментации на качество модели.
9. Transfer Learning (Перенос обучения) - 1 час. Использование предобученных моделей (VGG16, ResNet, MobileNet). Feature extraction engine и fine‑tuning. Практический проект: дообучение модели для классификации пользовательских изображений.
10. Рекуррентные нейросети (RNN) и LSTM - 1 час. Проблема обработки последовательностей. Устройство RNN, градиентное затухание. Архитектура LSTM и GRU. Применение для текстов и временных рядов.
11. Обработка текста и токенизация - 1 час. Преобразование текста в числовые данные: токенизация, паддинг (padding), эмбеддинги (Embedding). Создание модели для классификации тональности текста (sentiment analysis).
12. Генерация текста с помощью LSTM - 1 час. Практический проект: обучение модели на текстах (стихи, песни) для генерации нового контента. Понимание семплирования и температуры (temperature) в генерации.
13. Визуализация архитектуры и TensorBoard - 1 час. Использование TensorBoard для отслеживания метрик в реальном времени. Визуализация графа модели и активаций слоев. Диагностика проблем обучения.
14. Автоэнкодеры (Autoencoders) - 1 час. Архитектура кодировщика и декодировщика. Применение: шумоподавление изображений (denoising autoencoder). Сжатие данных с помощью нейросетей.
15. Комплексный проект. Классификация с веб‑камерой - 1 час. Разработка модели для распознавания жестов или эмоций. Интеграция с веб‑камерой через JavaScript в Colab или создание простого интерфейса с использованием OpenCV и Streamlit (облачный запуск).

Чему вы научитесь

• Научитесь уверенно работать с темой: использование предобученных моделей (vgg16, resnet, mobilenet). feature extraction engine и fine‑tuning. практический проект дообучение модели для классификации пользоват…
• Научитесь создавать и применять: создание первой полносвязной нейросети (dense) на keras. понятие слоя (layer), функции активации (relu, sigmoid, softmax), компиляция модели (оптимизатор, функция потерь).
• Научитесь создавать и применять: преобразование текста в числовые данные токенизация, паддинг (padding), эмбеддинги (embedding). создание модели для классификации тональности текста (sentiment analysis).
• Научитесь уверенно работать с темой: увеличение обучающей выборки с помощью аугментации (повороты, сдвиги, отражения). использование imagedatagenerator в keras. влияние аугментации на качество модели.
• Освоите и сможете применять: практический проект обучение модели на текстах (стихи, песни) для генерации нового контента. понимание семплирования и температуры (temperature) в генерации.