1 место. Курс «Обучение нейронным сетям и Deep Learning для разработчиков» — SkillFactory

https://skillfactory.ru/nejronnye-seti-deep-learning

Стоимость: 41 400 ₽, возможна рассрочка

В рамках курса вы пройдете полный путь от аренды GPU-сервера, который подходит для Deep Learning, вплоть до создания полноценной рабочей модели для компьютерного зрения, анализа естественного языка и рекомендательных систем.

Программа курса

1. Введение в искусственные нейронные сети
   Создаем нейронную сеть для распознавания рукописных цифр на языке Python
2. Фреймворки для глубокого обучения (TensorFlow, Keras)
   Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras
3. Сверточные нейронные сети
   Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети
4. Оптимизация нейронной сети
   Улучшаем скорость и производительность сетей для кейса предыдущего модуля
5. Transfer learning & Fine-tuning
   Дообучение нейронной сети ImageNET для решения задачи классификации изображений
6. Обработка естественного языка (NLP)
   Создаем нейронную сеть для распознавания рукописных цифр на языке Python
7. Сегментация и Детектирование объектов
   Проектируем нейронную сеть для сегментации и обучаем нейросеть решать задачу детекции
8. Обучение с подкреплением (Reinforcement Learning)
   Создаем агента для игры в Pong на основе DQN алгоритма
9. What’s next? Продвинутые нейронные сети
   Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений.

Преимущества курса:

• Для обучения deep learning вам понадобится знание Python и базовое понимание машинного обучения. Курс предназначен для людей, которые решили углубить свои знания в области Data Science.
• Обучение на курсе — отработка практических навыков программирования глубоких нейронных сетей. Используйте силу machine learning для решения задач бизнеса!
• Курс даст полное понимание алгоритмов и знание необходимых библиотек при использовании Deep Learning.

2 место. Курс «Факультет искусственного интеллекта» — GeekBrains

https://gb.ru/geek_university/data-science

Стоимость: Рассрочка до 36 месяцев — от 5 070 ₽ / мес

После учебы вы сможете работать по специальностям:

• Data Scientist
• Data Analyst
• Machine Learning Engineer
• Computer Vision-специалист
• NLP-специалист.

Программа обучения:

Подготовительные курсы

• Видеокурс: как учиться эффективно
• Основы математики
• Основы программирования
• Основы языка Python
• Базовый курс.

I четверть. Программирование
Научитесь работать в Linux и создавать сервера в облачных сервисах AWS, проводить поиск информации и основные операции с файлами, выполнять мониторинг работы сервера. Научитесь использовать язык запросов SQL, создавать и оптимизировать сложные запросы. Освоите библиотеки языка Python, предназначенные для Data Science: Numpy, Pandas, Matplotlib, SciKit-Learn.

• Встреча декана со студентами
• Основы языка Python
• Рабочая станция
• Основы реляционных баз данных и MySQL
• Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn.

II четверть. Сбор данных и статистическое исследование
Познакомитесь с теорией вероятностей и математической статистикой. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Научитесь работать с RESTful/SOAP-сервисами, форматами XML и JSON в Python, а также познакомитесь с особенностями открытых данных (OpenData).

• Библиотеки Python для Data Science: продолжение
• Методы сбора и обработки данных из сети Интернет
• Введение в математический анализ
• Теория вероятностей и математической статистике.

III четверть. Математика для Data Scientist
Рассмотрите математические аспекты алгоритмов, применяемых в Data Science: линейная и логистическая регрессия, градиентный спуск, метод ближайших соседей, кластеризация, деревья решений, случайный лес, градиентный бустинг. Поймете, как устроены алгоритмы на уровне математики.

• Линейная алгебра
• Алгоритмы анализа данных

IV четверть. Машинное обучение
Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.

• Машинное обучение в бизнесе
• Рекомендательные системы
• Видеокурс от Мегафон + курсовой проект.

V четверть. Нейронные сети
Научитесь решать задачи Machne Learning с данными из соцсетей, геоданными, применением графов, а также познакомитесь с нейронными сетями. На практике познакомитесь с фреймворками для разработки нейронных сетей: Tensorflow, Keras, PyTorch.

• Введение в нейронные сети
• Фреймворк PyTorch для разработки искусственных нейронных сетей.

VI четверть. Задачи искусственного интеллекта
Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.

• Введение в обработку естественного языка
• Глубокое обучение в компьютерном зрении

II четверть. Специализация
Изучите фреймворк PyTorch и углубитесь в работу с компьютерным зрением и обработкой естественного языка.

• Введение в компьютерное зрение от Nvidia
• Фреймворк PyTorch для разработки искусственных нейронных сетей
• Введение в обработку естественного языка

Курсы вне четверти. Предметы с индивидуальным выбором даты старта

• Подготовка к поиску работы
• История развития искусственного интеллекта
• Алгоритмы и структуры данных на Python
• Введение в высшую математику
• Спортивный анализ данных. Платформа Kaggle
• Язык R для анализа данных
• Визуализация данных в Tableau
• Сверточные нейронные сети в компьютерном зрении.

Вы получите диплом о профессиональной переподготовке.

3 место.Курс «Deep Learning» — OTUS

https://otus.ru/lessons/dl-basic/

Стоимость: нет информации

Что даст вам этот курс:

• Повторим с вами необходимые области математики: теорию информации, теорию вероятности, линейную алгебру и основы анализа.
• Изучим основные библиотеки и фреймворки для машинного обучения работы с нейронными сетями: от NumPy до TensorFlow.
• Решим классические задачи глубокого обучения по всем основным направлениям: «Компьютерное зрение», «Обработка естественных языков», «Обучение с подкреплением», «Генеративные сети».

После прохождения курса вы:

• Сможете пройти собеседование на должность Junior Deep Learning Engineer;
• Научитесь решать задачи машинного обучения с помощью нейронных сетей, такие как: генерация рукописных цифр, самообучающийся бот для игры в крестики-нолики, классификация изображений и т. д.;
• Будете знать теорию, необходимую для прохождения продвинутых курсов.

Программа обучения

Модуль 1. Пререквизиты

• Тема 1. Обзорное занятие
• Тема 2. Градиентный спуск. Математика
• Тема 3. Градиентный спуск. Вывод
• Тема 4. Numpy
• Тема 5. PyTorch
• Тема 6. TensorFlow
• Тема 7. Распределения и информация

Модуль 2. Нейронные сети

• Тема 8. Взрыв и затухание градиентов
• Тема 9. Логрегрессия на pytorch
• Тема 10. Линейная регрессия на TensorFlow
• Тема 11. Переобучение и регуляризация
• Тема 12. Автокодирование
• Тема 13. Вариационный автокодировщик
• Тема 14. AutoML

Модуль 3. Глубокое обучение

• Тема 15. Сверточные сети. Классифицируем MNIST
• Тема 16. Сверточные сети, fine-tunning
• Тема 17. Методы оптимизации сетей: prunning, mixint, quatization
• Тема 18. Обучение с подкреплением. Q-learning для TicTacToe
• Тема Generative Adversarial Networks (GANs)
• Тема Рекуррентные сети
• Тема 21. Transformers
• Тема 22. Графовые модели

Модуль 4. Проектный модуль

• Тема 23. Выбор темы и организация проектной работы
• Тема 24. Консультация по проектам и домашним заданиям
• Тема 25. Защита проектных работ.

Выпускной проект

В рамках курса предусмотрена защита проекта. Он представляет собой генеративную модель для порождения текста заданного стиля или изображений заданной тематики.

Работа над проектом проходит поэтапно:

1. Выбор тематики.
2. Сбор и подготовка соответствующих данных.
3. Построение и обучение генеративной модели.

Проект выполняется программистом в течение двух недель после прохождения курса. Готовое решение должно включать в себя код модели и ее обучения на Python, описание архитектуры модели, отчет об обучении модели и примеры генерации.

Курс «Data-science и нейронные сети для новичков» — Университет искусственного интеллекта

https://neural-university.ru/kurs_neural_light

Стоимость: 39 900 ₽ — 154 900 ₽

Программа обучения:

Основы Python

1. Синтаксис Python
2. Numpy
3. Часть 1
4. Часть 2
5. Matplotlib и Seaborn
6. Функции и модули

Базовая математика

7. Матрицы и функции
8. Множества, бинарная логика, комбинаторика
9. Теория вероятностей и статистика. Часть 1
10. Теория вероятностей и статистика. Часть 2

Нейронные сети

11. Введение в нейронные сети
12. Полносвязные сети, обучающая и тестовая выборки
13. Свёрточные нейронные сети
14. Обработка текстов с помощью нейросетей
15. Рекуррентные нейронные сети и одномерные свёрточные сети для обработки текстов
16. Нейронные сети для решения задачи регрессии
17. Полносвязные и рекуррентные нейронные сети для прогнозирования временных рядов
18. Прямые и свёрточные нейронные сети для обработки аудио сигналов
19. Автокодировщики
20. Вариационные автокодировщики, генеративные модели на базе автокодировщиков
21. Генеративные состязательные сети
22. Введение в генетические алгоритмы
23. Генетические алгоритмы для обучения нейронных сетей
24. Сегментация изображений
25. Алгоритмы кластеризации данных
26. Обучение с подкреплением
27. Генерация текста
28. Cегментация текста
29. Object Detection (обнаружение объектов)
30. Распознавание речи

Интеграция в Production

31. Описание основных источников данных
32. Варианты хранения данных (структурированные, неструктурированные, бинарные)
33. Типы хранения данных
34. Методы получения данных из систем источников
35. Web-scrapping
36. Вторая и третья нормальные формы
37. Key-value структура данных
38. Схема данных
39. Витрины данных
40. Инструменты построения моделей данных.

Курс «Data Science. Уровень 3: Нейронные сети» — Московский Государственный Технический Университет им. Н.Э. Баумана

http://edu.bmstu.ru/napravleniya-obucheniya/biznes-analitika/datascience3

Стоимость: 39 450 ₽

Вы научитесь:

• Работать с библиотекой Keras
• Работать с полносвязной нейронной сетью
• Решать задачи сверточных нейронных сетей
• Решать задачи классификации, регрессии и построения временных рядов
• Внедрять нейронные сети в продакшн.

Программа курса:

1. Введение в библиотеку Keras

• Глубинное обучение.
• Микросервисы глубинного изучения.
• Назначение Keras.
• Основной функционал.
• Установка и настройка.
• Методы написания нейронных сетей.
• Основные разделы библиотеки.
• Два основных типа моделей: последовательная модель Sequential и класс Model.
• Слои в Keras.

2. Архитектуры нейронных сетей: Dense слои (полносвязные)

• Понятие нейронная сеть. История развития.
• Решаемые задачи.
• Полносвязные нейронные сети Dense слои (перцептрон).
• Разбор кода, решение задачи с помощью полносвязной нейронной сети.

3. Архитектуры нейронных сетей: conv слои (сверточные)

• Свёрточные нейронные сети.
• Задачи распознавания изображений.
• Архитектура свёрточной нейронной сети.
• Разбор кода – решение задач распознавания изображений с помощью свёрточных нейронных сетей.

4. Архитектуры нейронных сетей: метрики и функции потерь. Проблема переобучения

• Метрики и функции потерь.
• Проблема переобучения.
• Метрики, используемые в нейронных сетях и функции потерь.
• Оптимизаторы.
• Понятие переобучения и способы решения проблем с переобучением.

5. Решение задач с помощью нейронных сетей: классификация

• Классификация.
• Решение задач классификации с использованием нейронных сетей.

6. Решение задач с помощью нейронных сетей: регрессия

• Решение задач регрессии с использованием нейронных сетей.

7. Решение задач с помощью нейронных сетей: прогнозирование временных рядов

• Прогнозирование временных рядов.
• Проблемы временных рядов, трудности и пути решения.
• Особенности разделения обучающей и тестовой выборки.
• Разбор кода и решение задачи прогнозирования временных рядов с помощью нейронных сетей.

8. Решение задач с помощью нейронных сетей: обработка аудио при помощи нейронных сетей

• Особенности работы с аудио.
• Параметризация аудио.
• Архитектуры нейронных сетей.
• Разбор кода и решение задачи классификации аудиофайлов.

9. Решение задач с помощью нейронных сетей: классификация изображений

• Задача сегментации изображений.
• Сложности, области применения.
• Метрики качества.
• Разбор кода – сегментация изображений для автопилота.

10. Решение задач с помощью нейронных сетей: внедрение в Production

• Особенности внедрения нейронных сетей в продакшн.

11. Построение модели нейронной сети и внедрение в Production

• Обучение нейронной сети – классификация изображений.
• Создание веб – приложения.
• Загрузка на heroku.

Курс «Нейронные сети на Python» — ООО «УЦ «Коммерсант»

https://python-school.ru/courses/pynn-introduction-to-neural-nets/

Стоимость: 36 000 ₽

Курс представляет собой прикладные основы наиболее популярного метода Machine Learning, включая всю необходимую теорию и практику по этой области искусственного интеллекта. В программе рассмотрена математическая база современных нейросетевых алгоритмов.

 В курсе приведены базовые задачи, которые могут быть решены с помощью методов нейросетей: классификация изображений и другие прикладные кейсы распознавания образов. Большое внимание уделено практическому решению задач с использованием нейросетевых методов на языке Python. Курсы по нейронным сетям также содержат материалы по применению сверточных нейросетей в production, в т.ч. обучение нейронной сети и ее интеграция с другими программными алгоритмами.

На практике вы самостоятельно создадите собственную нейросеть, решив задачи классификации с помощью этой модели машинного обучения.

В результате освоения программы курса вы овладеете основными навыками создания веб-сервисов на базе нейросетей и сможете выбрать наилучшую архитектуру нейросети для конкретной бизнес-задачи.

Программа курса:

1. Простейшие нейронные сети

• Теоретическая часть: основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета; полносвязные нейронные сети.
• Практическая часть: первичный анализ датасета, предобработка данных, построение полносвязной нейронной сети.

2. Математические основы нейронных сетей

• Теоретическая часть: метрики качества работы нейронной сети, градиентный спуск, алгоритм обратного распространения ошибки, эффект переобучения.
• Практическая часть: тонкая настройка нейронной сети на примере задачи классификации изображений.

3. Свёрточные нейронные сети

• Теоретическая часть: параметры сверточных нейронных сетей, предобученные нейронные сети.
• Практическая часть: использование предобученных нейронных сетей на примере задачи классификации изображений.

4. Решение кейса: “Классификация изображений”

• Теоретическая часть: построение набора данных, фильтрация и предобработка данных.
• Практическая часть: решение кейса.

5. Использование нейронных сетей в production

• Теоретическая часть: сериализация/десериализация объектов в Python, фреймворк Flask.
• Практическая часть: создание веб-сервиса на фреймворке Flask.

Курс «Искусственные нейронные сети» — Стандарт IT

https://standart-itdpo.ru/courses/iskusstvennye-nejronnye-seti/

Стоимость: 26 000 ₽

УЧЕБНЫЕ ПРОГРАММЫ:

1. Введение в искусственные нейронные сети

• Современное применение нейронных сетей. Основные задачи.
• Виды нейронных сетей: прямого распространения, сверточные, рекуррентные, генеративные и другие архитектуры
• Обучение нейронных сетей

2. Фреймворки для глубокого обучения (Keras.TensorFLOW)

• Введение в фреймворк TensorFlow
• Графы вычислений
• Операции с тензорами
• Цепное правило
• Оптимизация в TensorFlow
• Логирование для TensorBoard
• Работа TensorFlow в Google. Colab
• Практика

3. Сверточные нейронные сети

• Введение в сверточные нейронные сети
• Операция свертки
• Простой сверточный слой
• Усложнение сверточного слоя
• Пулинг слой
• Архитектура первой сверточной сети
• Современные архитектуры
• Inception V3
• Практика

4. Оптимизация нейронной сети

• Пути оптимизации нейронной сети
• Функции активации
• Инициализация весов
• Влияние learning rate на сходимость
• Batch нормализация
• Dropout регуляризация
• Стохастический градиентный спуск
• Adam: Adaptive Moment Estimation
• Матричные операции
• Практика

5. Transfer learning & Fine-tuning

• Transfer learning
• Архитектура сети ImageNET
• Оптимизация сети при помощи back propagation
• Автокодировщики:понятия encoder и decoder
• Архитектура автокодировщика
• Практика

6. Обработка естественного языка (NLP)

• Задачи Natural Language Processing (NLP)
• Векторизация текстовых данных
• Сравнение сетей прямого распространения и рекуррентных нейросетей
• Архитектура рекуррентной нейросети. LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit)
• Обработки последовательностей: Many-to-One, One-to-Many, Many-to-Many
• Many-to-One в классификации текстов, анализе временных рядов и отображении текста в картинку
• One-to-Many в генерации текстов. Языковая модель
• SEQ 2 SEQ: Encoder-Decoder
• Механизм внимания (Attention). Вычисление весов. Отказ от рекуррентов
• Архитектура TRANSFORMER
• Практика

7. Сегментация и детектирование объектов

• Практическое применение сегментации
• Классическая сегментация и сегментация на базе нейросетей
• Методы улучшения производительности модели
• Дилатационная свертка
• Введение в детектирование объектов
• Задача локализации
• Регрессия, классификация и локализация в детектировании объектов
• Region R-CNN и FAST R-CNN
• Методы SSD/YOLO
• Сравнение методов детекции
• Практика

8. Reinforcement learning (обучение с подкреплением)

• Классы задач: обучение с учителем, без учителя,обучение с подкреплением
• Применение: игровые агенты, self-driving агенты, робототехника
• Состояния, действия, награды
• Понятие оптимальной политики
• Оценка состояния и действий. Оптимальная Q-функция
• Q-Learning. Уравнение Беллмана
• Exploration vs.Exploitation: исследование и эксплуатация оптимальной стратегии
• Deep Q-Learning (DQN)
• Другие методы RL: Policy Gradients, Actor-Critic
• Практика

9. What`s next?

• Другие области применения нейронных сетей
• Self-driving и AI
• GAN: Generative Adversarial Networks
• Перспективыразвитияобласти
• Советы по профессиональному развитию
• Практика.

Курс «Нейронные сети. Компьютерное зрение и чтение (NLP)» — Центр компьютерного обучения «Специалист» при МГТУ им.Н.Э.Баумана

https://www.specialist.ru/course/pyml2

Стоимость: 22 000 ₽ — 26 990 ₽

Вы научитесь:

• взаимодействовать с тензорами в Python
• познакомитесь с основами PyTorch
• углубите свои знания по Python
• познакомитесь с обработкой изображений средствами нейронных сетей и Python
• познакомитесь с обработкой речи и текста.

Программа курса:

Модуль 1. Введение в Pytorch и тензоры (4 ак. ч.)

• Введение в курс
• Введение в нейронные сети
• Что такое PyTorch?
• Зачем использовать тензоры?
• Технические требования
• Облачные возможности
• Что такое тензоры
• Операции с тензорами
• Практикум по теме

Модуль 2. Классификация изображений (4 ак. ч.)

• Средства загрузки и обработки данных в PyTorch
• Создание тренировочного набора данных
• Создание проверочного и тестового набора данных
• Нейронная сеть как тензоры
• Активационная функция
• Создание сети
• Функция потерь
• Оптимизация
• Практикум, реализация на GPU

Модуль 3. Cверточные нейронные сети (6 ак. ч.)

• Построение простейшей сверточной нейронной сети в PyTorch
• Объединение слоев в сети (Pooling)
• Регуляризация нейронной сети (Dropout)
• Использование натренированных нейронных сетей
• Исследование структуры нейросети
• Пакетная нормализация (Batchnorm)
• Практикум по теме

Модуль 4. Использование и передача обученных моделей  (5 ак. ч.)

• Использование ResNet
• Отбор по скорости обучения
• Градиент скорости обучения
• Расширение данных для переобучения
• Использование преобразователей Torchvision
• Цветовые и лямда преобразователи
• Пользовательские преобразователи
• Ансамбли
• Практикум по теме

Модуль 5. Классификация текста  (5 ак. ч.)

• Рекуррентные нейронные сети
• Нейронные сети с памятью
• Библиотека Torchtext.

Курс «Нейронные сети» — Открытое образование

https://openedu.ru/course/mephi/mephi_ns/

Стоимость: нет информации

Курс посвящен изучению математических основ теории нейронных сетей, приводятся краткая история теории нейронных сетей, математические модели нейросетевых архитектур, постановка задачи обучения и методы ее решения, рассматриваются особенности организации процесса обучения и применения нейронных сетей для решения практических задач. Изложение ведется строгим математическим языком, сопровождается множеством формул и математических выкладок.

Цель курса состоит в получении и закреплении теоретических и практических знаний, необходимых для решения прикладных задач обработки данных с использованием нейронных сетей.

Программа курса

Module 1. Introduction.

• Artificial neural networks as biologically inspired models.
• The structure of a neuron.
• Brief history of artificial neural networks.
• AI, ML and ANNs.
• An overview of neural network architectures.

Module 2. Multilayer neural networks.

• Lesson 1. Activation functions.
• Lesson 2. Mathematical model of multilayer neural network. Lesson 3. Loss functions.
• Lesson 4. Backpropagation algorithm.

Module 3. Neural Network Training algorithms.

• Lesson 1. Gradient descent methods.
• Lesson 2. Per-parameter adaptive learning rate methods.
• Lesson 3. Stochastic gradient descent.
• Lesson 4. Second order methods.
• Lesson 5. Weight initialization.

Module 4. Generalization in Neural Networks.

• Lesson 1. Generalization capability.
• Lesson 2. Bias-variance decomposition.
• Lesson 3. Cross-validation techniques.
• Lesson 4. Regularization techniques.
• Lesson 5. Dropout and batch-normalization.

В результате успешного прохождения курса у вас сложится понимание того, что такое искусственные нейронные сети, для решения каких задач и в каких случаях их следует применять, в чем преимущества и особенности нейросетевого подхода. Вы узнаете о том, как выбрать архитектуру нейронной сети, как правильно организовать процесс обучения, как работают основные алгоритмы обучения и что характеризуют их параметры, и сможете осмысленно сконструировать, обучить и оценить качество обученной нейросетевой модели.

Курс «Нейронные сети и их применение в научных исследованиях» — msu

https://msu.ai/

Стоимость: нет информации

Цель курса — предоставить аспирантам разных факультетов МГУ имени М. В. Ломоносова, имеющих базовые знания программирования и математики, возможность использовать методы искусственных нейронных сетей для анализа больших данных в их научных исследованиях.

Курс будет полезен для начинающих ученых и технических, и гуманитарных факультетов: физиков и филологов, химиков и медиков, математиков и социологов.

Итогом учебы будет подготовленный аспирант, который написал программу и получил качественный результат, успешно примененный в его диссертации, и подготовил научную публикацию об этом.

Курс «Нейронные сети» — Лаборатория инженерной физики

https://engineering.phys.msu.ru/ru/programmirovanie-dlya-sstudentov-2-kursa/nejronnye-seti

Стоимость: нет информации

Цель курса — преодолеть порог входа в отрасль, предоставить практический опыт и две опоры для дальнейшего самостоятельного исследования нейронных сетей: инструменты и терминология. Второй семестр выделен для выполнения курсовой работы, что позволяет подробно разобраться в одном из направлений нейронных сетей. Таким образом достигается баланс между поверхностным широким охватом материала и изучением вопроса в глубину с высокой долей самостоятельности.

Программа курса (осенний семестр):

• Занятие 1 – Введение
  Постановка задач обучения по прецедентам. Объекты и признаки с примерами. Устройство нейронной сети. Слои, функция активации. Метод градиентного спуска. Метод стохастического градиента. Шаг оптимизатора, тип оптимизатора, функция потерь. Переобучение. Обучающая и тестовая выборка. Типы нейронных сетей (линейные, DNN, бинарные, сверточные, GAN, рекуррентные).
• Занятие 2 — Системы контроля версий
  Зачем нужно контролировать версии. Понятие коммита, ветви в version control system (VCS). Проблема коллективной разработки без VCS. Синхронизация с центральным сервером. Понятие затягивания и проталкивания изменений. Слияние ветвей. Разрешение конфликтов. Ресурсы для VCS. Проблема бинарных файлов. Примеры VCS: git, mercurial, subversion, CVS. Github, клонирование репозиториев и пул-реквесты. Readme.md и формат markdown.
• Занятие 3 — Многослойный персептрон
  Готовые обучающие выборки и их важность (MNIST, ImageNet, CIFAR-10, CIFAR-100, FashionMNIST, COCO, …). Tensorflow и Python. Способы ускорения вычисления нейронных сетей. Примеры применения нейронных сетей в науке.
  Многослойная сеть. Алгоритм обратного распространения ошибки и его ограничения. Глубинное обучение. Выбор функции активации: сигмоида, ReLU, гиперболический тангенс, функция Хевисайда. Преимущества ReLU. Проблема исчезающего градиента и паралич сети. Проблема инициализации сети. Нормировка выборки.
  Измерение качества обучения. Кроссвалидация. Бинарная кроссэнтропия как функция потерь. Понятия эпох, итераций, бэтча в обучении нейронной сети. Методы борьбы с переобучением: прореживание выходов, стохастические выборки, искусственные выборки. Выбросы в обучающей выборке. Причины появления выбросов. Фильтрация выбросов. Метод регулировки весов обучающей выборки.
• Занятие 4 — Сверточные сети
  Анализ изображений. Как животные видят. Трансляционная инвариантность свёрточных нейронных сетей. Определение свёртки. Строительные блоки для сверточных сетей: свёртка, активация, субдискретизация. Maxpooling, padding. Какие параметры подбираются при обучении сверточных сетей. Как работает свёртка с набором изображений на выходе предыдущего свёрточного слоя. Визуализация выходов скрытых слоёв в tensorflow. Автоэнкодеры. Две фазы обучения сверточных сетей.
• Занятие 5 — Генеративно-соревновательные сети GAN
  Принцип работы соревновательных генеративных сетей. Структурная схема. Генератор и дискриминатор. Латентное пространство. Виды GAN: cвёрточный DCGAN, условный CGAN, цикличный CycleGAN, парные CoGAN, ProGAN устойчивого роста, Вассерштейновские WGAN. Повышение качества распознования за счет дообучения.
• Занятие 6 — Условные генеративно-соревновательные сети CGAN
  Использование gan для генерации изображений. Зачем нужен условный GAN. Сложности обучения GAN, проблемы сходимости, проблемы устойчивости, проблемы коллапса распределения. Эмпирические трюки, позволяющие бороться с этими проблемами: использование leakyReLU; downsampling и upsampling с использованием strided convolution; нормализация данных (и преобразование пикселей исходных картинок к диапазону [-1,1]), использование момента в градиентном спуске.
• Занятие 7 — Использование обученных сетей
  Вычислительная сложность обучения против вычислительной сложности использования. Типы готовых сетей: классификаторы, поиск объектов, распознавание лиц, семантическая сегментация, семантическое описание. Готовые нейронные сети: YOLO, VGG16, R-CNN, (Mask R-CNN, Fast R-CNN, Faster R-CNN), AlexNet, Resnet50/101/152/200…, DenseNet121/169/201, MobileNet25/50/… Связь ResNet с решением системы линейных дифференциальных уравнений. Библиотека tensornets.
• Занятие 8 — Рекуррентные сети
  Устройство и область применения рекуррентных сетей. Сети Элмана и Джордана. Расчет количества параметров слоя. Долгая краткосрочная память (LSTM) и принцип её работы. Экспоненциальное сглаживание в блоке памяти LSTM. Функции активации LSTM. Управляемый рекуррентный блок (GRU). Машинный перевод, как частный случай задачи Seq2Seq. Архитектура Transformer и Universal transformer.
• Занятие 9 – Автоэнкодеры
  Структура и обучение автоэнкодера. Очищение изображения от шумов. Регуляризация: лассо-регрессия и гребневая регрессия. Вариативность в латентном пространстве. Плавная интерполяция. Сжатие данных.
• Занятие 10 — Обучение с подкреплением
  Обучение с подкреплением (RL). OpenAI и gym. Обучение без учителя. Агент, функция награды, состояние среды. Типовые среды: Atari, шахматы, Go, gym. Классификация алгоритмов RL. Q-learning. Reward shaping. Типовые ошибки при обучении с подкреплением и их причины. Важность отсутствия априорных знаний при обучении. Experience replay. Double DQN. Эпсилон-жадный алгоритм. Выборки случайных фрагментов записей для обучения.Занятие 12 — Перенос обучения
• Занятие 11 — Перенос обучения
  Зачем нужен перенос обучения. Примеры переноса обучения: изображения, работа с естественным языком. Тонкая настройка.
• Занятие 12 — Отбор и генерация признаков
  Зачем нужен отбор признаков. Методы отбора признаков: фильтрация, построение семейств, регуляризация. Хэширование признаков для больших таблиц. Почему можно генерировать признаки. Аугментация. Примеры неинформативных признаков. Работа с событиями во времени. Библиотека featuretools для генерации признаков.

Весенний семестр:

Выполняется курсовая работа. Она может быть совмещена с обязательной курсовой работой по физике, выполняемой в лаборатории физического факультета МГУ на втором курсе. Примерные темы работ представлены ниже. Жирным отмечены работы, совмещенные с курсовой по физике:

• Машинное обучение антропоморфных робототехнических систем на примере модели роботизированной руки с тактильной обратной связью
• Предсказание сейсмической активности на основе сейсмических журналов и нейронных сетей
• Генерация изображений шельфовых доломитов с помощью генеративно-состязательных сетей
• Методы применения нейронных сетей к анализу данных современных коллайдеров
• Автоматический подсчёт эритроцитов на микрофотографии крови
• Поиск и распознавание компонентов на печатной плате
• Создание торгового бота на основе нейронных сетей
• Предсказание отказов блоков питания РЛС дальнего обнаружения по температурным измерениям
• Бинаризация нейронных сети для переноса их в интегральную схему
• Определение параметров эквивалентной электрической цепи по вольамперной характеристике
• Предсказание пульсаров на основе датасета HTRU2
• Восстановление цвета в чернобелых фильмах и фотографиях
• Генерация сверхразрешения в изображениях на основе нейронных сетей
• Перенос стиля изображения с использованием нейронных сетей
• Атака вредоносного примера на нейронные сети и защита от него
• Поиск раковых метастаз по гистологическим микроснимкам
• Поиск новой физики (распад таурона на 3 мюона) в экспериментальных данных с большого адронного коллайдера (LHC)
• Дообучение нейронных сетей на одном объекте.

Курс «Нейронные сети» — НИУ ВШЭ

https://www.hse.ru/edu/courses/292713179

Стоимость: нет информации

Цель освоения дисциплины:

• Освоение математического аппарата и программного обеспечения, предназначенного для создания интеллектуальных систем на базе нейронных сетей;
• Приобретение навыков нейросетевого математического моделирования бизнес-процессов и экономических явлений.

Планируемые результаты обучения:

1. Знание возможностей интеллектуальных систем на базе нейронных сетей, технологии их создания.
2. Умение выделять входные (управляющие) и выходные (управляемые) параметры нейросетевой интеллектуальной системы.
3. Умение формализовать предметную область программного продукта.
4. Умение применять полученные знания при решении практических задач.
5. Обладание навыками нейросетевого моделирования.

Содержание учебной дисциплины:

Раздел 1. Теоретическая часть

• Тема 1. Персептрон и его развитие Биологический и математический нейрон. Персептрон, распознающий цифры и буквы. Правила Хебба, дельта-правило, обобщенное дельта-правило. Проблема «исключающего ИЛИ», многослойный персептрон и алгоритм обратного распространения ошибки. Алгоритмы обучения второго порядка, эвристические алгоритмы, обучение с помощью генетического алгоритма. Проблема переобучения и теорема Арнльда-Колмогорова-Хехт-Нильсена. Обобщенная блок-схема создания нейросетевой интеллектуальной системы.
• Тема 2. Неклассические нейронные сети. Радиально-базисные сети, рекуррентные сети, самообучающиеся сети, сверточные сети.

Раздел 2. Практическая часть

• Тема 3. Выполнение индивидуальных заданий. Применение нейронных сетей для решения задач распознавания образов, извлечения знаний, оптимизации, прогнозирования, управления, поддержки принятия решений.

Курс «Нейронные сети для самых маленьких: путь с нуля до первого классикатора» — Академия Высоких Технологий

https://avt.global/neuralnets

Стоимость: бесплатно

Уроки:

1. Нейронные сети для самых маленьких, разбираемся в основах
   Мы разберёмся что такое искусственные нейронные сети и какие задачи они призваны решать. В чём причина их популярности? В чём их принципиальное отличие от обычных программ и алгоритмов. Разберёмся с математическими принципами их обучения и использования: прямым и обратным распространением ошибки.
2. Как обучается нейронная сеть?
   Разберём задачу линейной регрессии, принцип обратного распространения ошибки и поговорим про градиентный спуск.
   Вы узнаете, каким образом нейронная сеть подбирает весовые коэффициенты в процессе обучения, и поймёте, как влияют некоторые гиперпараметры на скорость обучения.
3. Google Colab и первая нейронная сеть. 1 часть
   Соберём небольшую нейронную сеть с помощью Google Colab и обучим её.
   Вы научитесь пользоваться интернет-сервисомGoogle Colab, который даёт доступ к GPU и позволяет обучать нейронные сети. Получите первые практические навыки в обучении нейронных сетей на Python.
4. Google Colab и первая нейронная сеть. 2 часть
   Обучим классифкатор, посмотрим какие параметры обученя влияют на результат. И рассмотрим возможности, предоставляемые keras.
5. Свёрточная нейронная сеть
   Мы добавим в нашу нейронную сеть свёрточные слои. Разберёмся что это такое и как они работают. Получим свёрточную нейронную сеть гораздо точнее решающую задачу.
6. Свёрточная нейронная сеть и датасеты из интернета
   Пришло время применить свёрточную нейронную сеть для классификации нескольких классов и воспользоваться набором данных из интернета, а не собственноручно собранным.
7. Нейронная сеть и работа с камерой в реальном времени
   Применяем наши сети к видеопотоку с камеры. Разбираем полезные инструменты для кодирования меток на изображениях и повышаем универсальность сети, чтобы в неё можно было добавлять дополнительные классы.
8. От классификации к детектированию
   Разбор видов детекторов и принципов их работы. Собираем и обучаем собственный детектор. Посмотрим, как детектор будет работать с видеопотоком с камеры. Анализируем возможность применения детекторов в школьных проектах
9. Пишем SSD
   Задаём архитектуру нашей сети: послойно собираем детектор, разбираясь какой слой для чего нужен.
10. Пишем SSD: Single Shot MultiBox Detector. (Часть 2)
    Пишем алгоритмы вокруг сети. Генерация априорных ограничивающих рамок, отсев лишних, задание функции потерь и шага обучения сети.

Курс «Нейронные сети» — Stepik

https://stepik.org/course/401/promo

Стоимость: бесплатно

В данном курсе мы детально разберём процесс создания и применения нейронных сетей. В первую очередь, мы ставим перед собой цель объяснить основополагающие теоретические идеи и практические приёмы, использующиеся при обучении самых разных нейросетевых моделей. Первая часть курса фокусируется на алгоритмах, лежащих в основе обучения нейронных сетей, вторая больше ориентирована на практическое применение полученных знаний.

Программа курса

1. Основы линейной алгебры

• Общая информация о курсе
• Введение
• Надо ли вам смотреть эту неделю? (урок с задачами)
• Ликбез по линейной алгебре: векторы
• Ликбез по линейной алгебре: матрицы
• NumPy: основы
• Линейная алгебра в деле

2. Перцептрон и градиентный спуск

• Нейроны: настоящие и искусственные
• Перцептрон
• Перцептрон: обучение
• Больше искусственных нейронов!
• Градиентный спуск
• Больше градиентного спуска!
• Однослойные модели

3. Алгоритм обратного распространения ошибки

• Многослойный перцептрон
• Алгоритм обратного распространения ошибки
• Алгоритм обратного распространения ошибки: продолжение
• Целевые функции

4. Мониторинг состояния сети

• Мониторинг состояния сети
• Визуализация
• Тест
• Практика

5. Сюрприз и заключение

• Сюрприз!
• Заключение.

Сертификат — Институт биоинформатики.

Курс «Нейронные сети и глубокое обучение» — Coursera

https://www.coursera.org/learn/neural-networks-deep-learning

Стоимость: бесплатно

Программа курса:

1. Introduction to Deep Learning
2. Neural Networks Basics
3. Shallow Neural Networks
4. Deep Neural Networks

Курс «Программирование нейросетей на Python» — Андрей Созыкин

https://www.asozykin.ru/courses/nnpython

Стоимость: бесплатно

Курс посвящен именно практическому применению нейронных сетей с использованием готовых библиотек Keras и TensorFlow. Вы научитесь применять эти библиотеки для решения задач анализа изображений и текстов.

Курс рассчитан на программистов, для понимания не требуются глубокие знания математики. Все примеры в курсе на Python, однако никаких специфических особенностей Python не используется. Если вы умеете программировать на любом языке, то легко поймете примеры кода.

Основы обучения глубоких нейросетей

• Введение.
• Лекция «Искусственные нейронные сети».
• Лекция «Обучение нейронных сетей».
• Лекция «Библиотеки для глубокого обучения».
• Лекция «Распознавание предметов одежды».
• Лекция «Анализ качества обучения нейронной сети».
• Практическая работа «Распознавание предметов одежды на Keras» (ноутбук в Colaboratory).
• Лекция «Бесплатная облачная платформа для обучения нейросетей Google Colab» (ноутбук в Colaboratory).
• Лекция «Сохранение обученной нейронной сети».
• Лекция «Используем обученную нейросеть для распознавания изображений» (ноутбук в Colaboratory).
• Лекция «Решение задачи регрессии» (ноутбук в Colaboratory).
• Лекция «Автоматическая оптимизация гиперпараметров нейросети с Keras Tuner» (ноутбук в Colaboratory)

Нейросети для компьютерного зрения

• Лекция «Сверточные нейронные сети».
• Лекция «Распознавание объектов на изображениях».
• Практическая работа «Распознавание объектов на изображениях с помощью Keras» (ноутбук в Colaboratory).
• Лекция «Анализируем изображения с помощью нейронных сетей».
• Лекция «Предварительно обученные нейронные сети в Keras».
• Лекция «Как подготовить собственный набор изображений для обучения нейронной сети в Keras».
• Лекция «Перенос обучения (Transfer Learning)».
• Практика «Распознавание собак и кошек на изображениях».
• Лекция «Тонкая настройка нейронной сети (Fine Tuning)».
• Лекция «Анализ признаков, извлеченных нейросетью».
• Лекция «Дополнение данных (Data Augmentation)».
• Лекция «Визуализация сверточной нейронной сети».
• Проект «Распознавание человека по лицу на фотографии».
• Проект «Поиск объектов на изображениях».

Нейросети для анализа текстов

• Введение в курс «Нейросети для анализа текстов» (презентация).
• Лекция «Представление текста в цифровом виде для обработки нейронной сетью» (презентация).
• Лекция «Анализ тональности отзывов на фильмы из базы IMDB» (ноутбук в Colaboratory).
• Лекция «Представление текста в формате one hot encoding» (ноутбук в Colaboratory).
• Лекция «Представление текста плотными векторами (embeddings)» (ноутбук в Colaboratory).
• Лекция «Рекуррентные нейронные сети» (презентация).
• Лекция «Анализ тональности текста рекуррентной нейросетью» (ноутбук в Colaboratory).
• Лекция «Сети LSTM и GRU» (презентация).
• Лекция «Сети LSTM и GRU для определение тональности отзывов IMDB» (ноутбуки в Colaboratory: сеть LSTM, сеть GRU).
• Лекция «Анализ тональности отзывов YELP сетью LSTM». Рассматривается подготовка текстового набора данных к обработке нейронной сетью (ноутбук в Colaboratory).
• Лекция «Одномерные сверточные нейросети» (презентация, нотбук в Colaboratory).
• Лекция «Анализируем тональность отзывов YELP одномерной сверточнной нейросетью» (ноутбук в Colaboratory).
• Лекция «Классификация текстов нейросетями» (ноутбук в Collaboratory).
• Лекция «Многозначная классификация текстов» (презентация, ноутбук в Collaboratory).

Работа с платформой Google Colaboratory

• Основы работы с Google Colaboratory.
• Использование команд Linux в Colab.
• Использование бесплатных тензорных процессоров TPU в Colab.
• Участвуем в соревнованиях на Kaggle с помощью Colab.

Курс «Основы теории нейронных сетей» — НОУ ИНТУИТ

https://intuit.ru/studies/courses/88/88/info

Стоимость: бесплатно

План занятий:

1. Основы искусственных нейронных сетей
   В лекции рассматриваются общие положения теории искусственных нейронных сетей. Описана структура однослойных и многослойных нейронных сетей, введено понятие обучения нейронной сети и дана классификация алгоритмов обучения.
2. Персептроны. Представимость и разделимость
   В лекции дается определение персептрона, рассматривается его архитектура. Описывается класс задач, решаемых с помощью персептрона, доказывается, какие задачи невозможно решить с его помощью.
3. Персептроны. Обучение персептрона
   В лекции рассматриваются алгоритм обучения персептрона, вопросы сходимости алгоритма обучения и подбора количественных характеристик весовых коэффициентов. Исследуются многослойные персептроны и возможности их обучения.
4. Процедура обратного распространения (описание алгоритма)
   В лекции рассматривается архитектура многослойного обобщенного персептрона, описывается процедура обратного распространения — алгоритм обучения многослойного персептрона с учителем.
5. Процедура обратного распространения (анализ алгоритма)
   В лекции анализируются слабые места алгоритма обратного распространения и предлагаются методы решения некоторых связанных с этим проблем.
6. Сети встречного распространения
   В лекции изложены архитектура, функционирование и методы обучения сетей встречного распространения. В качестве примера использования данной сети рассматриваются методы сжатия данных.
7. Стохастические методы обучения нейронных сетей
   В лекции дается обзор основных стохастических методов, используемых для обучения нейронных сетей: метод отжига металла, больцмановское обучение, обучение Коши, метод искусственной теплоемкости.
8. Нейронные сети Хопфилда и Хэмминга
   В лекции рассматривается архитектура сети Хопфилда и ее модификация — сеть Хэмминга, затрагиваются вопросы устойчивости сети Хопфилда. В заключении лекции рассматриваются понятие ассоциативности памяти и задача распознавания образов.
9. Обобщения и применения модели Хопфилда
   В лекции рассматриваются вероятностные обобщения модели Хопфилда и статистическая машина. Описывается аналого-цифровой преобразователь — как модель сети с обратным распределением. В качестве примера приводится представление информации в сети Хопфилда, решающей задачу коммивояжера.
10. Двунаправленная ассоциативная память
    В лекции рассматриваются архитектура и принципы работы нейронной сети ДАП. Затронуты вопросы емкости данной сети. Дается обзор некоторых модификаций этой сети.
11. Адаптивная резонансная теория. Архитектура
    В лекции рассматривается проблема стабильности—пластичности при распознавании образов. Изучаются нейросетевые архитектуры AРT.
12. Теория адаптивного резонанса. Реализация
    В лекции рассматривается процесс функционирования АРТ. Приводится пример обучения сети АРТ. Обсуждаются основные характеристики АРТ. Дается обзор модификаций сети АРТ.
13. Когнитрон
    В лекции рассматривается архитектура, процедура обучения и функционирование когнитрона. Описан пример функционирования четырехслойного когнитрона распознавания образов.
14. Неокогнитрон
    В лекции рассматривается архитектура, процедура обучения и функционирования неокогнитрона. Отмечается его сходство и отличие от когнитрона.
15. Алгоритмы обучения
    В данной лекции рассматриваются различные методы обучения нейронных сетей. Некоторые из этих методов частично приводились на предыдущих лекциях, но отмечены снова для создания у слушателей целостного представления об изучаемой области.
16. Экзамен.