Назад
III уровень
Программирование и создание ИТ-продуктов
TensorFlow
Python
Анализировать данные
Разрабатывать и создавать программы и приложения
Писать программный код
Keras
Программирование глубоких нейронных сетей на Python
ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»
72,00 часа
длительность
Онлайн
формат
Базовый
уровень
Описание
В данной программе рассматривается применение нейронных сетей для решения прикладных задач компьютерного зрения и анализа текстов.
Вы узнаете, как устроена модель искусственного нейрона и нейронной сети, а также как обучать нейронную сеть решать задачи анализа данных. Будут рассмотрены популярные в настоящее время архитектуры нейронных сетей: полносвязные, сверточные, нейронные сети с остаточными связями.
Программа реализуется исключительно в формате электронного обучения и включает большое количество практических заданий на разработку программ обучения нейронных сетей, которые Вы будете писать на Python с использованием готовых библиотек TensorFlow и Keras. Вы обучите нейронные сети распознавать модели одежды, классифицировать объекты на изображениях, предсказывать цены на дома.
Вы научитесь применять предварительно обученные нейронные сети и модифицировать их под свои прикладные задачи искусственного интеллекта, использовать бесплатную облачную платформу Google Colaboratory для обучения нейронных сетей, анализировать качество полученных моделей искусственных нейронных сетей и совершенствовать их за счет модификации архитектуры нейронной сети.
Цель программы
Приобретение слушателями компетенций в вопросах создания систем искусственного интеллекта.
Требования
Умение программировать на любом высокоуровневом языке, желательно Python.
Базовые знания высшей математики: производные, операции с матрицами и векторами.
Иные требования и рекомендации для обучения по программе
Умение программировать на любом высокоуровневом языке, желательно Python.
Базовые знания высшей математики: производные, операции с матрицами и векторами.
Модули
свернуть
Модуль 1
Основы программирования нейронных сетей
Описание
Тема 1.1. Введение в тематику искусственных нейронных сетей (2 часа)
Понятие "глубокие нейронные сети" и их преимущества. Глубокое обучение. Задачи, решаемые глубокими нейронными сетями. Факторы, которые привели к возможности практической реализации глубоких нейронных сетей. Оборудование. Наборы данных и тесты. Алгоритмы.
Тема 1.2. Модель искусственного нейрона. Общее представление об искусственной нейронной сети (4 часа)
Модель искусственного нейрона. Функции активации. Функция единичного скачка. Логическая функция. Гиперболический тангенс. Классификация нейронных сетей в разрезе распространения сигнала и глубины нейронной сети
Тема 1.3. Библиотеки для обучения нейронных сетей (4 часа)
Обучение нейронной сети: обучение с учителем; обучение без учителя; обучение с подкреплением. Библиотеки для обучения нейронной сети.
Тема 1.4. Распознавание предметов одежды. Обзор набора данных и выбор архитектуры нейронной сети (4 часа)
Полносвязная нейронная сеть прямого распространения. Анализ набора данных с точки зрения дальнейшего построения нейронной сети. Базовые объекты и параметры объектов глубоких нейронных сетей в TensorFlow. Библиотека pandas.
Тема 1.5. Распознавание предметов одежды. Построение архитектуры нейронной сети и ее обучение (6 часов)
Метрики качества. Функции потерь и оптимизаторы обучения. Объекты, функции и параметры объектов глубоких нейронных сетей в TensorFlow.
Тема 1.6. Анализ качества обучения нейронной сети (6 часов)
Оценка реального качества модели нейронной сети и наборы данных. Переобучение. Определение переобучения и методы борьбы с ним. Параметры и гиперпараметры нейронной сети
Модуль 3
Нейронные сети для анализа табличных данных
Тема 3.1. Применение нейронных сетей для решения задачи регрессии (7 часов)
Задача регрессии. Шкалирование и нормализация входных данных. Выбор метрик качества, функций ошибок и активации в зависимости от решаемой задачи
Модуль 2
Обучение искусственной нейронной сети
Тема 2.1. Обучение искусственного нейрона (4 часа)
Модель искусственного нейрона. Обучение – подбор весов модели. Метод наименьших квадратов. Градиентный спуск. Стохастический градиентный спуск
Тема 2.2. Обучение искусственной нейронной сети. Метод обратного распространения ошибки (8 часов)
Модель искусственной нейронной сети. Обучение искусственной нейронной сети. Метод градиентного спуска. Цепное правило. Обратное распространение ошибки
Модуль 4
Нейронные сети для задачи анализа изображений
Тема 4.1. Сверточные нейронные сети (4часа)
Сверточные нейронные сети. Инструменты Keras и TensorFlow, которые позволяют построить сверточную нейронную сеть
Тема 4.2. Распознавание объектов на изображении (7 часов)
Связь между наборами данных и архитектурой нейронной сети. Схематическое изображение архитектуры нейронной сети
Тема 4.3. Предварительно обученные нейронные сети (4 часа)
Преимущества использование предварительно обученных нейронных сетей. Обзор существующих предварительно обученных нейронных сетей
Тема 4.4. Перенос обучения в нейронных сетях (12 часов)
Перенос обучения в нейронных сетях. Тонкая настройка переноса обучения в нейронных сетях
Модуль 1
Основы программирования нейронных сетей
Описание
Тема 1.1. Введение в тематику искусственных нейронных сетей (2 часа)
Понятие "глубокие нейронные сети" и их преимущества. Глубокое обучение. Задачи, решаемые глубокими нейронными сетями. Факторы, которые привели к возможности практической реализации глубоких нейронных сетей. Оборудование. Наборы данных и тесты. Алгоритмы.
Тема 1.2. Модель искусственного нейрона. Общее представление об искусственной нейронной сети (4 часа)
Модель искусственного нейрона. Функции активации. Функция единичного скачка. Логическая функция. Гиперболический тангенс. Классификация нейронных сетей в разрезе распространения сигнала и глубины нейронной сети
Тема 1.3. Библиотеки для обучения нейронных сетей (4 часа)
Обучение нейронной сети: обучение с учителем; обучение без учителя; обучение с подкреплением. Библиотеки для обучения нейронной сети.
Тема 1.4. Распознавание предметов одежды. Обзор набора данных и выбор архитектуры нейронной сети (4 часа)
Полносвязная нейронная сеть прямого распространения. Анализ набора данных с точки зрения дальнейшего построения нейронной сети. Базовые объекты и параметры объектов глубоких нейронных сетей в TensorFlow. Библиотека pandas.
Тема 1.5. Распознавание предметов одежды. Построение архитектуры нейронной сети и ее обучение (6 часов)
Метрики качества. Функции потерь и оптимизаторы обучения. Объекты, функции и параметры объектов глубоких нейронных сетей в TensorFlow.
Тема 1.6. Анализ качества обучения нейронной сети (6 часов)
Оценка реального качества модели нейронной сети и наборы данных. Переобучение. Определение переобучения и методы борьбы с ним. Параметры и гиперпараметры нейронной сети
Модуль 2
Обучение искусственной нейронной сети
Тема 2.1. Обучение искусственного нейрона (4 часа)
Модель искусственного нейрона. Обучение – подбор весов модели. Метод наименьших квадратов. Градиентный спуск. Стохастический градиентный спуск
Тема 2.2. Обучение искусственной нейронной сети. Метод обратного распространения ошибки (8 часов)
Модель искусственной нейронной сети. Обучение искусственной нейронной сети. Метод градиентного спуска. Цепное правило. Обратное распространение ошибки
Модуль 3
Нейронные сети для анализа табличных данных
Тема 3.1. Применение нейронных сетей для решения задачи регрессии (7 часов)
Задача регрессии. Шкалирование и нормализация входных данных. Выбор метрик качества, функций ошибок и активации в зависимости от решаемой задачи
Модуль 4
Нейронные сети для задачи анализа изображений
Тема 4.1. Сверточные нейронные сети (4часа)
Сверточные нейронные сети. Инструменты Keras и TensorFlow, которые позволяют построить сверточную нейронную сеть
Тема 4.2. Распознавание объектов на изображении (7 часов)
Связь между наборами данных и архитектурой нейронной сети. Схематическое изображение архитектуры нейронной сети
Тема 4.3. Предварительно обученные нейронные сети (4 часа)
Преимущества использование предварительно обученных нейронных сетей. Обзор существующих предварительно обученных нейронных сетей
Тема 4.4. Перенос обучения в нейронных сетях (12 часов)
Перенос обучения в нейронных сетях. Тонкая настройка переноса обучения в нейронных сетях
Преподаватели
Созыкин
Андрей Владимирович
ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»
Аксёнов
Александр Сергеевич
ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»
Кошелев
Антон Александрович