Samsung lanza curso gratuito en línea de red neuronal de visión por computadora

Aún no comprende por qué ReLU es mejor que sigmoide, cómo Rprop difiere de RMSprop, por qué normalizar las señales y qué es la conexión de omisión. ¿Por qué una red neuronal necesita un gráfico y qué error cometió al propagarse? ¿Tiene un proyecto con visión por computadora, o tal vez está haciendo un robot intergaláctico para manejar platos sucios, y quiere que pueda decidir por sí mismo, lavar, o eso hará?

Estamos lanzando el curso abierto "Redes neuronales y visión por computadora" , dirigido a aquellos que están dando sus primeros pasos en esta área. El curso fue desarrollado por expertos de Samsung Research Russia: Samsung Research Center y Samsung Center for Artificial Intelligence en Moscú. Fortalezas del curso:

• los autores del curso saben de lo que están hablando: se trata de ingenieros del Centro de Moscú de Inteligencia Artificial Samsung, Mikhail Romanov e Igor Slinko;
• Hay una teoría con problemas y práctica en PyTorch
• Comience la práctica inmediatamente después de dominar el mínimo conocimiento teórico.
• ¡Los mejores estudiantes serán invitados a una entrevista en Samsung Research Russia!

Este curso se abrió el 1 de junio, el primero de una serie de cursos en línea gratuitos de Samsung en la plataforma Stepik. Se dio preferencia específicamente a la plataforma rusa; esto proporcionará más oportunidades para la audiencia de habla rusa. Los cursos se centrarán principalmente en Machine Learning (ML). La elección no es accidental: en mayo de 2018, se abrió el Centro de Inteligencia Artificial de Samsung en Moscú, donde trabajan estrellas científicas de ML como Viktor Lempitsky (el científico ruso más citado en la categoría de Ciencias de la Computación), Dmitry Vetrov, Anton Konushin, Sergey Nikolenko y muchos otros.

Por lo tanto, durante 6 semanas de video conferencias y ejercicios prácticos, haciendo 3-5 horas a la semana, podrá descubrir cómo resolver los problemas básicos de la visión artificial, y también obtener la capacitación teórica necesaria para un estudio más independiente del campo.

Se suponen dos modos de curso: básico y avanzado. En el primer caso, es suficiente mirar conferencias, responder preguntas sobre conferencias y resolver seminarios. En el segundo caso, será necesario resolver problemas teóricos en los cuales será necesario aplicar un conocimiento suficientemente extenso de matemáticas de 1-2 cursos de una universidad técnica.

El curso establece constantemente la terminología y los principios de la construcción de redes neuronales, habla sobre tareas modernas, métodos de optimización, funciones de pérdida y las arquitecturas básicas de las redes neuronales. Y al final del entrenamiento, la solución de una tarea visual aplicada de la visión por computadora.

Profesores del curso

Mikhail Romanov

Graduado de MIPT. Se graduó de la Yandex Data Analysis School. Recibió su doctorado de la Universidad Técnica de Dinamarca.

Un empleado del Centro de AI de Moscú Samsung. Michael se dedica a tareas de visión artificial para robots y le encanta enseñar. Tiene muchas ideas y temas para más cursos. Uno de los graduados de AI Bootcamp 2018, realizado en el Centro de Inteligencia Artificial de Samsung, escribió en el cuestionario de salida sobre la cuestión de evaluar a Mikhail en una escala de 5 puntos como maestro, "¡es una pena que no haya una calificación de seis!"


Igor Slinko

Graduado de MIPT. Se graduó de la Yandex Data Analysis School. Un empleado del Centro de AI de Moscú Samsung. Igor también se ocupa de las tareas de visión artificial para robots y enseña Aprendizaje automático en la Escuela Superior de Economía. El año pasado y este fue profesor voluntario en el taller Deep Learning del proyecto social y educativo de la Escuela de Verano , organizado en colaboración con Samsung Research Russia.

Programa del curso

Red neuronal:

1. Modelo matemático de neurona
2. Operaciones booleanas en forma de neuronas.
3. De neurona a red neuronal
4. Taller: Trabajo básico en PyTorch

Construye la primera red neuronal:

1. Recuperación de dependencia de red neuronal
2. Componentes de la red neuronal
3. Objetivos teóricos: recuperación de la dependencia
4. Algoritmo de ajuste de red neuronal
5. Problemas teóricos: gráficos de computación y backprop

Tareas resueltas utilizando redes neuronales:

1. Clasificación binaria? Entropía cruzada binaria!
2. Clasificación multiclase? Softmax!
3. Localización, detección, superresolución
4. Problemas teóricos: funciones de pérdida
5. Taller: Construyendo la primera red neuronal
6. Taller: Clasificación en PyTorch

Métodos de optimización:

1. El descenso de gradiente más común
2. Modificaciones de descenso de gradiente
3. Objetivos teóricos: comprender el SGD con impulso
4. Taller: Implementando Descenso de Gradiente Usando PyTorch
5. Taller: Clasificación de números escritos a mano por una red totalmente conectada

Redes neuronales convolucionales:

1. Convolución, cascada de convoluciones
2. Historia de las arquitecturas: LeNet (1998)
3. Historia de la arquitectura: AlexNet (2012) y VGG (2014)
4. Historia de las arquitecturas: GoogLeNet y ResNet (2015)
5. Taller: reconocimiento de escritura a mano por red neuronal convolucional

Regularización, normalización, método de máxima verosimilitud:

1. Regularización y redes neuronales.
2. Normalización de datos.
3. Seminario: Resolvemos el problema de clasificación en el conjunto de datos CIFAR
4. Método de máxima verosimilitud
5. Seminario: Transferencia de aprendizaje sobre el ejemplo de competencia en Kaggle

Requisitos del estudiante

El curso está diseñado para estudiantes que dan los primeros pasos en el campo del aprendizaje automático. ¿Qué se necesita de ti?

1. Tener conocimientos básicos en el campo de la estadística matemática.
2. Prepárate para programar en Python.
3. Si desea tomar un curso en un nivel difícil, necesitará un buen conocimiento de análisis matemático, álgebra lineal, teoría de probabilidad y estadística.

¿Se acepta la llamada? ¡Entonces proceda al curso !