Sie verstehen immer noch nicht, warum ReLU besser als Sigmoid ist, wie sich Rprop von RMSprop unterscheidet, warum Signale normalisiert werden und was eine Sprungverbindung ist. Warum braucht ein neuronales Netzwerk einen Graphen und welchen Fehler hat es gemacht, dass es sich zurück ausbreitet? Haben Sie ein Projekt mit Computer Vision oder bauen Sie einen intergalaktischen Roboter, um mit schmutzigem Geschirr umzugehen, und möchten, dass er selbst entscheiden, waschen oder so funktioniert?
Wir starten den offenen
Kurs „Neuronale Netze und Computer Vision“ , der sich an diejenigen richtet, die ihre ersten Schritte in diesem Bereich unternehmen. Der Kurs wurde von Experten von Samsung Research Russia entwickelt: Samsung Research Center und Samsung Center for Artificial Intelligence in Moskau. Stärken des Kurses:
- Kursautoren wissen, wovon sie sprechen: Dies sind Ingenieure des Moskauer Zentrums für künstliche Intelligenz Samsung, Mikhail Romanov und Igor Slinko;
- Auf PyTorch gibt es sowohl eine Theorie mit Problemen als auch eine Praxis
- Beginnen Sie sofort mit dem Üben, nachdem Sie das theoretische Mindestwissen beherrscht haben.
- Die besten Studenten werden zu einem Interview bei Samsung Research Russia eingeladen!
Dieser Kurs wurde am 1. Juni eröffnet und ist der erste einer Reihe kostenloser Online-Kurse von Samsung auf der Stepik-Plattform. Die russische Plattform wurde speziell bevorzugt - dies bietet dem russischsprachigen Publikum mehr Möglichkeiten. Die Kurse konzentrieren sich hauptsächlich auf maschinelles Lernen (ML). Die Wahl ist kein Zufall: Im Mai 2018 wurde in Moskau das Samsung Artificial Intelligence Center eröffnet, in dem ML-Wissenschaftler wie Viktor Lempitsky (der am häufigsten zitierte russische Wissenschaftler in der Kategorie Informatik), Dmitri Vetrow, Anton Konuschin, Sergej Nikolenko und viele andere arbeiten.
Während 6 Wochen Videovorträgen und praktischen Übungen, die 3-5 Stunden pro Woche dauern, können Sie herausfinden, wie die grundlegenden Probleme der Bildverarbeitung gelöst werden können, und erhalten die erforderliche theoretische Ausbildung für ein weiteres unabhängiges Studium des Fachgebiets.
Es werden zwei Kursmodi angenommen: Basic und Advanced. Im ersten Fall reicht es aus, Vorlesungen anzusehen, Fragen zu Vorlesungen zu beantworten und Seminare zu lösen. Im zweiten Fall müssen theoretische Probleme gelöst werden, bei denen ausreichend umfangreiche Kenntnisse aus der Mathematik von 1-2 Kursen einer technischen Universität angewendet werden müssen.
Der Kurs beschreibt konsequent die Terminologie und Prinzipien des Aufbaus neuronaler Netze, spricht über moderne Aufgaben, Optimierungsmethoden, Verlustfunktionen und die grundlegende Architektur neuronaler Netze. Und am Ende des Trainings - die Lösung einer visuell angewandten Aufgabe des Computer Vision.
Kurslehrer
Mikhail RomanovMIPT-Absolvent. Er absolvierte die Yandex Data Analysis School. Er promovierte an der Technischen Universität von Dänemark.
Ein Mitarbeiter des Moskauer KI-Zentrums Samsung. Michael beschäftigt sich mit Bildverarbeitungsaufgaben für Roboter und unterrichtet gerne. Er hat viele Ideen und Themen für weitere Kurse. Einer der Absolventen des AI Bootcamp 2018, der im Samsung Center for Artificial Intelligence stattfand, schrieb im Exit-Fragebogen zur Frage der Bewertung von Mikhail auf einer 5-Punkte-Skala als Lehrer: "Schade, dass es keine Bewertung von sechs gibt!"
Igor SlinkoMIPT-Absolvent. Er absolvierte die Yandex Data Analysis School. Ein Mitarbeiter des Moskauer KI-Zentrums Samsung. Igor befasst sich auch mit Bildverarbeitungsaufgaben für Roboter und unterrichtet maschinelles Lernen an der Higher School of Economics. Letztes und in diesem Jahr war er freiwilliger Dozent beim Deep Learning-Workshop des Sozial- und Bildungsprojekts der
Summer School , das in Zusammenarbeit mit Samsung Research Russia organisiert wurde.
Kursprogramm
Neuronales Netz:
- Mathematisches Modell eines Neurons
- Boolesche Operationen in Form von Neuronen
- Vom Neuron zum neuronalen Netzwerk
- Workshop: Grundlegende Arbeit in PyTorch
Bauen Sie das erste neuronale Netzwerk auf:
- Wiederherstellung der Abhängigkeit von neuronalen Netzen
- Neuronale Netzwerkkomponenten
- Theoretische Ziele: Wiederherstellung von Abhängigkeiten
- Optimierungsalgorithmus für neuronale Netze
- Theoretische Probleme: Diagramme von Computing und BackProp
Mit neuronalen Netzen gelöste Aufgaben:
- Binäre Klassifizierung? Binäre Kreuzentropie!
- Klassifizierung mehrerer Klassen? Softmax!
- Lokalisierung, Erkennung, Superauflösung
- Theoretische Probleme: Verlustfunktionen
- Workshop: Aufbau des ersten neuronalen Netzes
- Workshop: Klassifizierung in PyTorch
Optimierungsmethoden:
- Der häufigste Gradientenabstieg
- Änderungen des Gefälles
- Theoretische Ziele: SGD mit Schwung verstehen
- Workshop: Implementieren des Gradientenabfalls mit PyTorch
- Workshop: Klassifizierung handschriftlicher Zahlen durch ein vollständig verbundenes Netzwerk
Faltungs-Neuronale Netze:
- Faltung, Kaskade von Faltungen
- Geschichte der Architektur: LeNet (1998)
- Geschichte der Architektur: AlexNet (2012) und VGG (2014)
- Geschichte der Architekturen: GoogLeNet und ResNet (2015)
- Workshop: Handschrifterkennung durch Faltungsnetzwerk
Regularisierung, Normalisierung, Maximum-Likelihood-Methode:
- Regularisierung und neuronale Netze
- Datennormalisierung
- Seminar: Wir lösen das Klassifizierungsproblem im CIFAR-Datensatz
- Maximum-Likelihood-Methode
- Seminar: Transferlernen am Beispiel des Wettbewerbs auf Kaggle
Anforderungen der Schüler
Der Kurs richtet sich an Studierende, die die ersten Schritte im Bereich des maschinellen Lernens unternehmen. Was wird von dir gebraucht?
- Grundkenntnisse auf dem Gebiet der mathematischen Statistik haben.
- Seien Sie bereit, in Python zu programmieren.
- Wenn Sie einen Kurs auf einem schwierigen Niveau belegen möchten, benötigen Sie gute Kenntnisse in mathematischer Analyse, linearer Algebra, Wahrscheinlichkeitstheorie und Statistik.
Herausforderung angenommen? Dann
fahren Sie mit dem Kurs fort !