Нейронные сети на Pyton

Продолжительность курса 6 дней, 32 академических часа.
Соотношение теории к практике 50/50.

Курс рассматривает основы нейросетей и дает 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.

ОПИСАНИЕ:
-----------------
Искусственная нейронная сеть (нейросеть) – это математическая модель с программной или аппаратной реализацией,
имитирующая функционирование биологических нервных клеток живого организма.
В отличие от других вычислительных моделей, нейросети ориентированы на биологические принципы.

Благодаря этому нейросетевые модели обладают следующими качествами:

* массовый параллелизм;
* распределённое представление информации и вычисления;
* способность к обучению и обобщению;
* адаптивность;
* обработки информации в контексте окружающей среды;
* толерантность к ошибкам;
* низкое энергопотребление.

Правила работы нейросетевых алгоритмов не программируются, а вырабатываются в процессе обучения.
Это обеспечивает адаптивность моделей к изменениям входных сигналов, включая шумовые воздействия.

Сегодня нейросети считаются одним из наиболее популярных методов машинного обучения (Machine Learning)
и используются в различных областях деятельности для решения следующих прикладных задач в условиях неполноты входной информации:

* распознавание образов (визуальных, аудиозаписей, видеопотоков, графических изображений, рукописного текста и пр.);
* прогнозирование будущих событий (поведение пользователей, погодные явления, курсы валют, возникновение и развитие чрезвычайных ситуаций и пр.);
* классификация и кластеризация данных (финансовый скоринг, медицинская диагностика, выявление мошеннических операций);
* интеллектуальный анализ данных, оптимизация бизнес-процессов и принятие управленческих решений.

АУДИТОРИЯ:
--------------------
Курс предназначен для аналитиков, разработчиков программного обеспечения, руководителей,
а также специалистов по работе с большими данными, которые хотят получить следующие знания и навыки:

* понять, что такое нейросети, машинное обучение и искусственный интеллект;
* освоить принципы функционирования нейронных сетей;
* знать, как эффективно использовать нейросетевые модели в бизнесе;
* разобраться с математическими основами нейронных сетей;
* освоить базовые методы работы с нейросетевыми алгоритмами;
* обрабатывать датасеты для подготовки к моделированию;
* научиться строить собственные модели нейронных сетей;
* интерпретировать результаты моделирования.

Предварительный уровень подготовки:
-----------------------------------------------
* Опыт программирования на Python;
* знание основ языка Python для анализа данных и решения задач машинного обучения.

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.

В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения