ВЕНДОРЫ
Курсы по вендорам
Скрыть

Введение в нейронные сети (INN)

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
12.03—13.03.2026
INN
Это FLEX курс Онлайн
03.06—04.06.2026
INN
Это FLEX курс Онлайн
05.08—06.08.2026
INN
Это FLEX курс Онлайн
12.03—13.03.2026
INN
Это FLEX курс г. Санкт-Петербург / Очная форма
03.06—04.06.2026
INN
Это FLEX курс г. Москва / Очная форма
05.08—06.08.2026
INN
Это FLEX курс 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.