Доступно [Otus] Нейронные сети на Python (Артур Кадурин)

​

Что даст вам этот курс

• Знание архитектур нейронных сетей, их видов и особенностей;
• Освоение методов обучения нейронных сетей;
• Умение оперировать данными, проектировать свою сеть и реализовывать её на Python с помощью фреймворка pyTorch;
• Понимание, как эффективно решать задачи анализа данных, используя глубокое машинное обучение.

Самый современный материал про машинное обучение
Программа подготовлена признанным экспертом по машинному обучению

Нейронные сети — как дети: их можно научить чему угодно. Но нужно помнить и о трудностях, сопровождающих каждого родителя: неправильные методы обучения, недостаток хороших примеров или несоответствие архитектуры ребёнка поставленным задачам могут привести к непредсказуемым результатам.

Минимальные знания

• Знание линейной алгебры, начала анализа и теории вероятностей.
• Владение языком программирования Python на уровне Junior (знать программирование на Python на базовом уровне необходимо, так как модели машины реализуются на Python).

Процесс обучения
Образовательный процесс на курсе "Нейронные сети на Python" проходит в формате вебинаров (онлайн). Слушателям предлагаются к выполнению домашние задания, которые позволят применить на практике полученные во время вебинаров знания. По каждому домашнему заданию преподаватель даёт развернутый фидбек. При написании кода используется Python.
Преподаватель находится в едином коммуникационном пространстве с группой, т. е. слушатель может задавать преподавателю уточняющие вопросы по материалам лекций и домашних заданий.

Спойлер: Продолжение описания

Преподаватель:



Содержание складчины (файлы и папки)
01. Искусственный интеллект и другие задачи которые можно решать с помощью нейронных сетей
1.pdf [14m 939k 279]
1.pptx [43m 232k 319]
dataset.ipynb [3k 429]
Dockerfile [1k 677]
homework.ipynb [733]
pytorch.ipynb [2k 8]
salt.py [121]
utils.py [1k 106]
video.mp4 [198m 391k 336]
дз.txt [403]

02. Теоретические основы обучения нейронных сетей
2.pdf [2m 462k 405]
2.pptx [1m 725k 217]
Dockerfile [1k 539]
log_reg.ipynb [4k 276]
video.mp4 [142m 344k 134]
дз.txt [243]

03. Первая нейронная сеть
3.pdf [1m 221k 740]
3.pptx [1m 431k 409]
DLE-2018-11-Lesson 3.mp4 [374m 480k 281]
MNIST_MLP.ipynb [49k 96]
video.mp4 [109m 6k 203]

04. Keras
4.pdf [5m 699k 661]
4.pptx [5m 614k 971]
MNIST_MLP_KERAS.ipynb [6k 719]
video.mp4 [102m 992k 393]
дз.txt [701]

05. TensorFlow
chat.txt [9k 606]
Otus.zip [858k 590]
tensorflow.ipynb [73k 791]
video.mp4 [291m 653k 835]

06. Переобучение и регуляризация нейронных сетей
6.pdf [4m 346k 948]
6.pptx [1m 346k 946]
Dockerfile [1k 617]
mnist_mlp.ipynb [6k 523]
utils.py [2k 454]
video.mp4 [144m 526k 188]
дз.txt [272]
Ссылки.txt [32]

07. Взрыв и затухание градиентов
chat.txt [10k 722]
Dockerfile [1k 357]
gradient_decay.zip [228m 826k 774]
gradient_slides.pdf [11m 110k 838]
mnist_mlp_6.ipynb [118k 455]
mnist_mlp_keras.ipynb [32k 629]
utils.py [2k 454]
video.mp4 [243m 525k 870]
Ссылки.txt [92]

08. Основные архитектуры нейронных сетей Автокодировщики
8.pdf [1m 782k 558]
8.pptx [1m 454k 445]
chat.txt [14k 684]
Dockerfile [1k 357]
sparse_ae.ipynb [306k 31]
sparse_ae_relu.ipynb [261k 111]
utils.py [2k 454]
video.mp4 [147m 618k 308]
дз.txt [339]

09. Основные архитектуры нейронных сетей Сверточные сети
chat.txt [9k 250]
conv_nets.pdf [1m 206k 294]
conv_nets.pptx [10m 887k 131]
conv_nets_mp4.zip [194m 562k 830]
Dockerfile [1k 358]
mnist_conv.ipynb [10k 631]
utils.py [2k 454]
video.mp4 [204m 448k 478]
дз.txt [316]

10. Основные архитектуры нейронных сетей. Рекуррентные сети
10.pdf [15m 79k 128]
10.pptx [3m 599k 85]
Dockerfile [1k 644]
generated1.txt [10k 20]
rnn.ipynb [21k 931]
rnn_results.ipynb [21k 836]
wiki_utils.py [2k 522]
wikitext.zip [4m 480k 305]
zoom_1_8858_493ab2.mp4 [178m 51k 29]
дз.txt [292]

11. Адаптивные методы градиентного спуска
11.pdf [3m 214k 474]
11.pptx [1m 407k 654]
Dockerfile [1k 454]
mnist_conv.ipynb [81k 634]
utils.py [2k 454]
zoom_0_8858_a74da0.mp4 [129m 928k 901]

12. Реализация на TensorFlow
chat.txt [5k 133]
test.csv [19m 221k 506]
tf_lstm.zip [335k 391]
tf_lstm_implementation.mp4 [284m 808k 567]
tf_lstm_implementation_31272_9fb1af.mp4 [297m 316k 270]
train.csv [57m 47k 694]

13. Реализация на Keras
13_40121_78f385.mp4 [90m 218k 168]
chat.txt [1k 270]
lang_data.csv [105k 350]
LSTM_Keras.ipynb [105k 776]

14. Введение в обучение с подкреплением
12.pdf [5m 516k 393]
12.pptx [2m 510k 262]
zoom_1_8858_e02cfc.mp4 [159m 33k 268]
дз.txt [173]
Ссылки.txt [72]

15. Вариационный автокодировщик
15.pdf [1m 237k 237]
15.pptx [26m 511k 253]
15_40121_2b2589.mp4 [88m 770k 947]
chat.txt [1k 102]
Vae_tf.ipynb [457k 644]
дз.txt [254]

16. Генеративные Состязательные Сети
16.pdf [34m 688k 647]
16.pptx [29m 676k 813]
fc_gan.gif [4m 783k 577]
mnist_fc_gan.ipynb [3m 4k 756]
utils.py [2k 593]
zoom_0_8858_f03450.mp4 [156m 120k 355]
дз.txt [193]

17. Состязательный Автокодировщик и условная генерация
aaec.gif [77m 606k 749]
acs.molpharmaceut.8b00839.pdf [2m 461k 929]
Adversarial_auto_encodrers.pdf [8m 153k 839]
caae.gif [72m 308k 699]
caae_git_version.py [7k 72]
chat.txt [5k 93]
conditional_aae_and_friends_31272_b60b3f.mp4 [239m 57k 340]
Lample_et_al.___2017___Fader_Networks_Manipulating_Images_by_Sliding_Attributes.pdf [11m 570k 151]
mnist_fc_aae_c.ipynb [10k 995]
mnist_fc_caae.ipynb [11k 36]
utils_1.py [2k 889]
Zhang__Song__Qi___2017___Age_progressionregression_by_conditional_adversarial_autoencoder.pdf [2m 735k 962]
дз.txt [402]

18. Глубокое обучение с подкреплением
18.pdf [6m 569k 425]
18.pptx [22m 625k 256]
video.mp4 [115m 360k 468]
Домашка_по_RL.txt [390]
Ссылки.txt [346]

19. Domain Adaptation
14_8858.pdf [5m 751k 933]
15_239.pdf [5m 670k 840]
1702.05464.pdf [1m 767k 31]
chat.txt [4k 770]
mnist_fc_ada.ipynb [478k 913]
utils.py [2k 889]
video.mp4 [199m 79k 806]
Wang__Deng___Unknown___Deep_Visual_Domain_Adaptation_A_Survey.pdf [2m 699k 306]

20. Обзор. Другие состязательные сети
20.pdf [52m 458k 550]
20.pptx [13m 447k 98]
video.mp4 [103m 897k 199]

21. Обучение с подкреплением в состязательных сетях
21.pdf [10m 435k 686]
21.pptx [3m 152k 931]
video.mp4 [168m 51k 327]

22. Современные сверточные сети. Обзор
22.pdf [10m 908k 309]
22.pptx [2m 998k 17]
video.mp4 [110m 802k 176]

23. Современные сверточные сети. Практика
chat.txt [660]
CNN_practice.ipynb [13m 851k 415]
video.mp4 [98m 825k 914]
дз.txt [208]

24. Глубокие рекуррентные сети
gumbel.zip [5k 806]
rec.pdf [533k 731]
rec_ppt.pptx [1m 64k 603]
video.mp4 [183m 117k 705]

25. Metric-learning и обучение без примеров
25.mp4 [101m 728k 480]
chat.txt [1k 394]
face_recognition.ipynb [452k 571]
model.py [11k 929]
utils.py [6k 380]

26. Внимание в нейронных сетях
19.pdf [4m 240k 967]
19.pptx [11m 703k 582]
26.mp4 [206m 888k 851]
chat.txt [1k 295]

27. Обзор. Обнаружение и сегментация
27.mp4 [111m 851k 419]
chat.txt [198]
ObjectDetection.ipynb [3m 521k 153]

28. Нейронные сети для работы с графами
28.mp4 [156m 818k 557]
28.pdf [16m 559k 239]
28.pptx [4m 858k 617]

Складчина на весь курс (части 1-4)
Объем всего курса: 6,54Гб