academy@academyit.ru
PTHN-ML-2
Работа с данными, аналитика и СУБД
40 ак.часов
Глубокое обучение и нейросети в действии на PyTorch и Python
-
О КУРСЕОсновное 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
Дизайнеры и разработчики искусственного интеллекта
Специалисты в области поддержки решений бизнес-анализа
IT-менеджеры, желающих использовать нейросетевые технологии на PyTorch и Python
Разработчики бизнес-приложений: лидеры и члены проектных команд
Модуль 1: Основы глубокого обучения и введение в PyTorch
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
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
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
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
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
-
Получаемый документ
-
Для успешного прохождения курса необходимы:
- базовые знания Python;
- элементарное понимание машинного обучения, линейной алгебры и статистики;
- навыки работы с аналитическими библиотеками (pandas, NumPy);
- понимание 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
