Быстрый старт в Pytorch
Форма обучения: очная с применением дистанционных технологий
Объем программы: 20 ак.ч.
Продолжительность обучения: 3 дня (4 ак.ч. в день)
Дни занятий: понедельник, среда, пятница, 19.00-22.00
Выдаваемый документ: Сертификат о повышении квалификации
Стоимость обучения: 18 000 руб

Краткое описание программы:
Данная программа позволит слушателям изучить основы фреймворка PyTorch, создать с нуля и дообучить предварительно обученные нейросетевые архитектуры для задач компьютерного зрения.

Содержание программы:
1 Модуль. Введение в библиотеку pytorch
  • Pytorch тензоры и типы данных
  • Инициализация
  • Индексация и слайсинг
  • Операции с тензорами и описательные статистики
  • Техника автоматического дифференцирования
  • Cuda
  • Реализация линейной регрессии с помощью pytorch
  • Тезисно основные положения полносвязных полносвязных нейросетей
  • Batch и layer norm, dropout
  • Загрузчики данных и создание полносвязной нейросети на примере табличных данных
2 Модуль. Продолжение в компьютерном зрении
  • Тезисно основные положения сверточных нейросетей
  • Skip connection & max pooling
  • Кастомный загрузчик данных (dataloader)
  • Реализация алгоримов Resnet, Inception, Densenet
  • Дообучение предобученных нейросетей для задач классификации
  • Основные положения детекции, архитектура yolo
  • Дообучение для задач детекции
  • Пример создания api сервиса для обученной модели
3 Модуль. Продолжение в обработке текста
  • Основные положения векторного представления текста и w2v
  • Основные положения рекуррентных нейросетей и seq2seq, multi-head attention
  • Реализация архитектуры transformer
  • Дообучение трансформерных архитектур для задач классификации и распознавания именованных сущностей.

Целевая аудитория курса:
  • Специалисты Data Scientists
  • Аналитики
  • Программисты

На курсе вы научитесь:
  • основам Pytorch
  • основам синтаксиса библиотеки
  • типичным этапам в построении конвейеров машинного обучения
  • создавать с нуля и дообучить предварительно обученных нейросетевых архитектур для задач компьютерного зрения.