Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Subscribe
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Машинное обучение: нейросети и глубокое обучение на Python
Rating: 4.2 out of 5(19 ratings)
225 students

Машинное обучение: нейросети и глубокое обучение на Python

Выигрываем соревнование Kaggle по классификации/сегментации изображений со сверточными и остаточными нейросетями
Created byЦентр digital-профессий ITtensive
Last updated 6/2021
Russian

What you'll learn

  • Распознавание формы облаков по фотографии
  • Оценка F1 и критерий сходства Дайса
  • Многослойный перцептрон
  • Сверточные нейронные сети
  • Функции активации, регуляризаторы и оптимизаторы
  • Нормализация, отсев и дополнение изображений
  • LeNet, AlexNet и GoogLeNet, Inception
  • VGG, ResNet и DenseNet
  • MobileNet, FPN, Unet, PSPNet
  • Ансамбли нейросетей

Course content

10 sections • 66 lectures • 11h 22m total length

  • Задачи машинного обучения9:51

    Разберем, что такое машинное обучение, и посмотрим на его задачи

  • Задачи машинного обучения
  • Модель и процесс машинного обучения7:47

    Разберем, как получается финальный результат машинного обучения

  • Что такое ETL6:09

    Разберем вопросы обогащения, очистки и загрузки данных

  • Процесс машинного обучения
  • Что такое EDA7:18

    Разберем, зачем нужен разведочный анализ данных

  • Подготовка данных13:06

    Разберем нормирование данных

  • Подготовка данных
  • Разбиение выборки9:53

    Посмотрим, зачем нужно разделять выборку, и как это делать

  • Оптимизация гиперпараметров12:40

    Разберем обучение модели и оптимизацию гиперпараметров

  • Недообучение и переобучение10:55

    Разберем оптимальное качество обучения модели

  • Обучение модели
  • Смещение, разброс и ошибка данных10:25
  • Использование HDF6:53

    Разберем, как работает экспорт и импорт данных в задачах машинного обучения

Requirements

  • Основы математической статистики
  • Основы машинного обучения
  • Продвинутый Python

Description

Мы разберем сегментацию и классификацию изображений облаков с помощью сверточных, пирамидальных, остаточных и полносвязных нейронных сетей в соревновании на Kaggle вплоть до формирования конечного результата.

Курс разбит на 2 части. В первой части мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную и логистическую регрессии.

Во второй части разберем на практических примерах:

  • Проведение исследовательского анализа данных для поиска зависимостей: EDA.

  • Метрики точности: оценка F1 и коэффициент Дайса.

  • Очистка данных и обработка изображений.

  • Загрузка и сохранение моделей и данных в HDF5.

  • Двухслойный и многослойный перцептрон.

  • Нейросети со сверточными слоями и слоями подвыборки.

  • Функции активации, инициализация и оптимизаторы нейросетей.

  • Преобразование и дополнение (аугментация) бинарных данных.

  • LeNet, AlexNet, GoogLeNet.

  • VGG, Inception, ResNet, DenseNet.

  • Сегментация изображений с MobileNet, Unet, PSPNet и FPN.

  • Ансамбль нейросетей.

  • Выгрузка результата для соревнования на Kaggle.

Who this course is for:

  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных

Report abuse