ВЕНДОРЫ
Курсы по вендорам
Скрыть

Введение в нейронные сети (INN)

Курс «Введение в нейронные сети» (INN) — это базовое практическое обучение для начинающих специалистов в области ИИ, программистов, разработчиков, менеджеров проектов, студентов и исследователей, которым необходимо освоить основы глубокого обучения и нейронных сетей. На курсе рассматриваются архитектура нейронных сетей, основные компоненты: нейроны, слои и связи, популярные архитектуры feedforward, CNN и RNN, процесс обучения глубоких нейронных сетей, функции потерь, градиентный спуск, переобучение, регуляризация, dropout, валидация и тестирование моделей. Отдельное внимание уделяется практическому применению глубокого обучения, успешным проектам в области обработки естественного языка и компьютерного зрения, новым архитектурам Transformers и Attention Mechanisms, инструментам разработки ИИ-приложений, библиотекам TensorFlow, PyTorch, Keras, NumPy, Pandas и Scikit-learn, а также настройке, оптимизации и внедрению моделей с использованием Jupyter Notebook, облачных сервисов и практик MLOps.

Программа рассчитана на 2 дня, доступна в очном и онлайн-формате и подходит слушателям с базовыми знаниями программирования на Python и пониманием основных математических и статистических концепций, что делает курс хорошей отправной точкой для изучения нейронных сетей, глубокого обучения и разработки первых ИИ-приложений.

INN
Очный формат:
Длительность: 2 дня
Цена: 60 000₽
цена указана без НДС 5%
Даты
Онлайн тренинг
Длительность: 2 дня
Цена: 60 000₽
цена указана без НДС 5%
Даты

Кому следует посетить

Начинающие специалисты в области ИИ, которые хотят получить базовые знания и навыки в области глубокого обучения
Программисты и разработчики, желающие расширить свои знания в области ИИ и машинного обучения
Менеджеры и руководители проектов, заинтересованные в использовании глубокого обучения для улучшения бизнес-процессов
Студенты и исследователи, стремящиеся углубить свои знания в области глубокого обучения
Предварительные требования:
Базовые знания программирования на Python
Понимание основных математических и статистических концепций
Цели курса
УМЕТЬ:
  • использовать популярные библиотеки и инструменты для разработки ИИ-приложений;
  • проводить настройку и оптимизацию моделей глубокого обучения;
  • использовать глубокое обучение для решения реальных задач;
ЗНАТЬ:
  • основы глубокого обучения и нейронных сетей;
  • успешные примеры применения глубокого обучения в различных отраслях;

Даты и регистрация

Онлайн тренинг
Очный формат
Гарантированные курсы Гарантирован при получении Вашей заявки
07.10—08.10.2026
INN
Онлайн
23.12—24.12.2026
INN
Онлайн
01.03—02.03.2027
INN
Онлайн
01.03—02.03.2027
INN
г. Санкт-Петербург / очная форма
28.04—29.04.2027
INN
г. Москва / очная форма
30.06—01.07.2027
INN
г. Санкт-Петербург / очная форма
Программа курса
Модуль 1. День 1: Глубокое обучение и нейронные сети
  • Основы глубокого обучения
  • Архитектура нейронных сетей
    • Что такое нейронная сеть: основные компоненты (нейроны, слои, связи).
    • Типы слоев: входной, скрытые, выходной.
    • Популярные архитектуры: feedforward, свёрточные нейронные сети (CNN), рекуррентные нейронные сети (RNN).
  • Обучение глубоких нейронных сетей
    • Процесс обучения: функции потерь, градиентный спуск.
    • Переобучение и способы его предотвращения (регуляризация, dropout).
    • Валидация и тестирование моделей.
  • Применение глубокого обучения
  • Обзор успешных проектов с использованием глубокого обучения
    • GPT-4 и другие модели обработки естественного языка.
    • Проекты в области компьютерного зрения (например, распознавание лиц, сегментация объектов).
  • Тенденции в развитии глубокого обучения
    • Новые архитектуры и методы (Transformers, Attention Mechanisms).
    • Автоматизация машинного обучения (AutoML).
Модуль 2. День 2: Техническое применение ИИ
  • Инструменты для разработки ИИ-приложений
  • Библиотеки и фреймворки
    • Популярные библиотеки: TensorFlow, PyTorch, Keras.
    • Особенности и различия между ними.
    • Дополнительные инструменты: NumPy, Pandas, Scikit-learn.
  • Инструменты для разработки моделей и их внедрения
    • Jupyter Notebook для разработки и тестирования.
    • Облачные сервисы для обучения и развертывания моделей (DataSphere, Google Colab, Azure ML).
    • Непрерывная разработка и интеграция ИИ-моделей.
    • Практика MLOps: CI/CD для ИИ-моделей.
  • Практическое задание: создание простой модели с использованием TensorFlow или PyTorch
    • Выбор библиотеки (TensorFlow или PyTorch).
    • Построение и обучение простой модели (например, MNIST классификация).
    • Визуализация результатов и оценка точности модели.
  • Оптимизация и настройка моделей
  • Техники оптимизации и настройки параметров моделей
    1. Настройка гиперпараметров: выбор оптимальных параметров модели.
    • Методы оптимизации: Adam, RMSProp, SGD.
    • Использование кросс-валидации для оценки моделей.
  • Практическое задание: оптимизация созданной модели и сравнение результатов
    • Применение техник настройки гиперпараметров.
    • Повторное обучение модели с новыми параметрами.
    • Сравнение производительности оригинальной и оптимизированной моделей.