Из уважения к тем из вас, кто на дух не переносит здесь рекламу, сразу сообщим — да, это рекламный пост. Можно проскроллить дальше. Тем, кто считает, что реклама не всегда вредна и порой помогает принимать нам важные решения, добро пожаловать под кат.
Последние пару лет сфера искусственного интеллекта бомбардирует нас регулярными новостями о новых и новых достижениях. ИИ смог классифицировать изображения лучше человека. ИИ смог распознать речь лучше человека. ИИ обыграл человека в го. ИИ научился рисовать картины. ИИ научился создавать музыку. ИИ научился быть журналистом. ИИ научился распознавать эмоции, пол и возраст человека. ИИ научился быть расистом в твиттере.
Большинство из этих достижений связано с двумя факторами: появлением больших и качественных датасетов и возникновением необходимых вычислительных мощностей. Алгоритмы deep learning по большому счету остались теми же, с различными модификациями.
За этими алгоритмами скрывается серьезная математика, поэтому многими область deep learning воспринимается как нечто неподъемное, как rocket science. Погружаться в тему, действительно, непросто. Информации масса и разного уровня доступности изложения. Можно несколько лет потратить на теоретическое изучение различных тем и так и не перейти к практике и разработке своих проектов.
По нашему убеждению, слона нужно есть по частям. Для того чтобы начать использовать достижения глубоких нейронных сетей, порой необходимо на хорошем уровне понимать интуицию, скрывающуюся за тем или иным алгоритмом, а не в деталях знать каждую формулу. Дальше, по мере развития в этой сфере, конечно же, придется и это освоить. Но это уже будет проще из-за наличия хорошего практического опыта.
Руководствуясь примерно этими принципами, мы и сконструировали нашу образовательную программу по Deep Learning. Она выглядит следующим образом:
День 1. С 10:00 до 20:00
- Обзор современных возможностей нейронных сетей
- Основы нейронных сетей
- Принципы классификации изображений. Сверточные сети (CNN)
- Case studies. Разбор известных моделей: LeNet, AlexNet, …
- Практика: Библиотека Caffe. Создание собственного нейросетевого классификатора с нуля
- Использование свёрточных сетей для других задач (перенос стиля, детекция/сегментация, классификация текстов)
- Case studies: Перенос стиля изображения. Как работают алгоритмы, стоящие за сервисами типа Prisma
Лабораторная работа. Соревнование 24/7 по наилучшей классификации изображений с использованием виртуальной GPU-машины.
День 2. С 10:00 до 20:00
- Разбор лабораторной работы и награждение победителей
- Основы рекуррентных сетей (RNN).
- Классификация текстов с помощью нейросетей. Word2vec, doc2vec. Полносвязные сети, свёрточные сети, рекуррентные сети для классификации.
- Практика: Библиотека Keras/Theano. Работа по сентимент-анализу текстов с использованием RNN.
- Sequence Learning и парадигма seq2seq. Примеры задач, решаемые с помощью seq2seq: перевод, генерация текстов, распознавание речи
- Case study: “Создаем чат-бота”. Генерация текстов в диалогах
- Мультимодальное обучение. Связь свёрточных и рекуррентных сетей. Case study: генерация описаний картинок
- Мастер-класс применения deep learning в бизнесе
Много практики. Много про бизнес. Теории ровно столько и на том уровне, чтобы начать решать задачи и использовать это все в своей деятельности. Очные дни по субботам: 26 ноября и 3 декабря.
Из того, что нужно знать для эффективного прохождения программы: основы машинного обучения, язык python и базовые навыки работы в командной строке unix.
Кстати, партнером программы является IBM Bluemix, обладающий отличным парком современных GPU-машин. IBM Bluemix выдаст каждому участнику нашей программы виртуальную машину с GPU в рамках круглосуточного доступа в течение 8 дней нашей программы.
Зарегистрироваться на программу можно здесь.
До встречи!
Автор: New Professions Lab
