Глубокое обучение и нейросети в действии на PyTorch и Python

Профиль аудитории:
Настоящая программа предназначена для специалистов по анализу данных, разработчиков, исследователей и IT-менеджеров, желающих освоить современные методы глубокого обучения и нейросетевые технологии с использованием PyTorch. Курс подойдет тем, кто уже имеет базовые знания Python и элементарные представления о машинном обучении, а также тем, кто стремится углубить свои знания в области нейросетей и их практических приложений.

Предварительные требования:
Для успешного прохождения курса слушатели должны владеть:

• базовыми знаниями Python;
• элементарными понятиями машинного обучения, линейной алгебры и статистики;
• навыками работы с аналитическими библиотеками (pandas, NumPy) и пониманием 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.

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