Программа для новичков: освоить профессию и начать работать в IT Не требует знаний и навыков для начала обучения, подойдёт всем заинтересованным в технологиях. Вы начнёте с фундаментальных IT-навыков: изучите Python, ООП, SQL, API. С такой базой вы без труда погрузитесь в профильные ИИ-инструменты. Программа подойдёт и опытным специалистам — повторить и закрепить базу будет полезно для дальнейшего обучения.

Освоите всё с нуля за 13 месяцев — от простого к сложному. Будете решать настоящие задачи бизнеса и практиковаться на реальных данных от лидеров индустрии.

Все необходимые для ML-инженера навыки – в одном курсе. Спрос на таких специалистов есть во всех технологичных сферах: в бизнесе, медицине, промышленности и других, а средняя зарплата ML-инженеров составляет 200000 рублей.

Практический онлайн-курс, на котором вы изучите алгоритмы машинного обучения и научитесь использовать лучшие методики для оценки качества моделей и построите первые модели для обучения нейронных сетей.

Программа состоит из четырех курсов: "Практический Deep Learning", "Современное компьютерное зрение", "Генеративные модели компьютерного зрения" и "Super Resolution: Основы и Практика". Прохождение курсов программы позволит слушателям погрузиться в основные алгоритмы и концепции глубинного обучения, а после этого освоить подходы классического и современного Computer Vision - и в теории, и на практике.

Вы изучите основы программирования и основные концепции компьютерных наук, цифровые технологии, операционные системы, программное обеспечение, базы данных, системы аналитики, языки программирования и многое другое. Познакомитесь с тестированием и системным анализом. На программе сможете сделать осознанный выбор специализации и технологий, прокачаться в выбранном направлении.

Курс предназначен для приобретения знаний и навыков в области глубокого обучения для работы с нейросетями. Курс детально разбирает нейросетевые архитектуры и практические способы создания моделей для классификации, обнаружения, сегментации и локализации объектов, генерации изображений и текстов, в т.ч. с применением предобученных сетей с их последующим дообучением и тонкой настройкой под конкретные предметные области.

• Архитектуры нейронных сетей:
  • Нейрон, веса, функции активации, обучение.
• Области применения нейронных сетей.
• Основные классы задач, решаемых сетями.
• Методы оптимизации, метрики, функции потерь, управление гиперпараметрами.
• Тензоры, переменные, градиенты, функции, модели, обучение.
• Устройство TensorFlow и PyTorch, модели и виды слоев в Keras.

• Архитектура CNN:
  • Фильтры, пулинг, 1D/2D/3D.
• Обучение сверточных сетей.
• Идеи удачных архитектур:
  • AlexNet.
  • VGG.
  • Inception.
  • ResNet.
• Алгоритм градиентного спуска и его варианты.
• Регуляризация, Dropout, Batch Normalization.
• Способы доучивания сетей:
  • Полные и частичные.
• Использование предобученных сетей в других задачах.

• Виды задач:
  • Классификация.
  • Разметка.
  • Генерация.
  • Seq2seq.
• Представления слов и текстов:
  • Эмбеддинги.
  • Word2Vec, FastText.
• Языковые модели:
  • ELMo.
  • BERT.
  • Трансформеры, механизм внимания.
  • GPT.
  • XLNet.

• Сети для сегментации изображений.
• Сети для детектирования объектов на изображениях.
• GAN для генерации изображений.
• Диффузионные модели:
  • Stable Diffusion.

• Принципы обучения с подкреплением и основные подходы:
  • Q-обучение.
• Глубокое обучение с подкреплением.

Профессия: ML Engineer. Микроуроки 15–20 минут в день, практика и артефакты в портфолио.

(24 ак. часов) Курс дает практику полного цикла работы с нейросетями на Python (PyTorch): от базовой теории обучения и метрик качества до построения и применения моделей для CV, NLP и задач по аудио, с разбором готовых архитектур и собственными экспериментами. В результате вы сможете обучать и оценивать модели, улучшать качество (регуляризация, настройка гиперпараметров), оптимизировать производительность и подготовить нейросеть к внедрению как прикладной сервис.