Introduction to Machine Learning
& Neural Networks
Стань специалистом в области машинного обучения и data science. Научись решать задачи компьютерного зрения CV и обработки естественного языка NLP, выучи deep learning фреймворки, создавай и обучай нейронные сети.
ПРО КУРС
Овладей профессией data science и стань machine learning инженером. На курсе ты научишься строить модели, способные предсказывать цены реальной недвижимости, классифицировать, кластеризовать и даже генерировать изображения!
Курс познакомит тебя с необходимыми разделами математики и глубоко погрузит в мир искусственных нейронных сетей. Ты напишешь собственный фреймворк машинного обучения, что даст глубокое понимание устройства таких фреймворков, как PyTorch, TensorFlow, Keras и JAX.
Ты получишь фундаментальные знания и опыт для дальнейшего развития в области Computer Vision и Natural Language Processing.
количество мест ограничено
25 студентов
5% скидка при полной оплате курса
8800 грн/мес
курс длится 3 месяца
15 марта
Практический курс по машинному обучению
ПРЕИМУЩЕСТВА
Регулярный фидбек
и руководство куратора
Онлайн лекции
в живом режиме
Для кого этот курс?
Для будущих, а также практикующих Data Scientist’ов
желающих освоить Machine Learning и углубиться в мир Нейронных Сетей, систематизировать свои знания, чтобы двигаться дальше в изучении разделов компьютерного зрения (CV) и обработки естественного языка (NLP).
Для Middle & Senior разработчиков
которые хотят освоить машинное обучение и deep learning, чтобы внедрять методы машинного обучения, создавать и обучать нейронные сети под конкретные задачи.
Для тех, кому нужна база в машинном обучении
для дальнейшего изучения Deep Learning, Computer Vision и Natural Language Processing.
Для всех, кому интересны нейронные сети
для решения самых разных задач и для воплощения в жизнь самых смелых идей от искусства и прогрессивного ресерча до внедрения AI в Ваш продукт!
Цель курса — обучение и подготовка высокооплачиваемых специалистов в области machine learning и data science. Наша задача не просто выпустить квалифицированных специалистов, но развивать прогрессивное ml-комьюнити, частью которого становятся наши студенты!
ПРЕПОДАВАТЕЛЬ
Михаил Константинов
Sr. Deep Learning Research Engineer в Depositphotos. Автор telegram канала Мишин Лернинг.
Специалист по глубокому обучению в области компьютерного зрения и обработки естественного языка. Имеет большой опыт работы с моделями различных типов. Разрабатывает решения на стыке CV и NLP, а также в области синтеза (генерации) и перевода (image2image, text2image) изображений. Апологет zero-shot и few-shot learning, трансформеров и мультимодальных моделей “генералистов”. Ранее занимался adversarial защитой captcha от нейронных сетей.
ПРОГРАММА КУРСА
Introduction to Machine Learning
  • Course Review
  • What is Machine Learning?
  • What is Deep Learning?
  • Machine Learning vs Deep Learning
  • ML & DL and Data Science
  • ML & DL Research
  • CV — Computer Vision
  • NLP — Natural Language Processing
  • Brief history of AI
  • AI, Turing Test, Philosophy of Science
Python for Machine Learning and Research
  • Algorithms for ML and common tasks
  • Classical Algorithms and Complexity
  • Useful Libraries & Frameworks
  • CPU vs GPU  parallel computing
  • Cloud vs Local computation
  • Data Visualization
  • Vectors and Vectorization
  • Image Processing & Preprocessing 
  • Language Processing & Preprocessing
Mathematics for Deep Learning
  • Common Notation & Core Ideas
  • Linear Algebra
  • N-dim Spaces
  • Vectors, Matrices, and Operators
  • Mathematical and Function Analysis, Calculus
  • Derivative and Partial derivative.
  • Chain Rule
  • Probability Theory
  • Introduction to Statistics
Linear, Polynomial and Multivariate Regression
  • Price prediction Task
  • Linear Regression
  • Least square method
  • Loss Function
  • Optimization Task
  • Gradient Descent
  • MLE — Maximum Likelihood Estimation
  • Data Preprocessing
  • Model Visualization
  • Data Normalization
  • Polynomial Regression
  • Multivariate Regression
Introduction to Computer Vision
  • What is Computer Vision?
  • Classical Computer Vision
  • Deep Learning and CV
  • Core Idea of Semantic Gap
  • Classification Task
  • N-dim Spaces and Metrics
  • Common datasets
  • Mnist and Fashion-Mnist
  • Cifar10 and Cifar100
  • Cats VS Dogs
  • ImageNet & MS COCO
  • JFT-300M & 400M image-text pairs
  • Euclidean Distance
  • Nearest Neighbour
Classification and Supervised Learning
  • Image Classification
  • Cosine Similarity 
  • Manhattan distance
  • kNN
  • Train / Val / Test data split
  • Logistic Regression
  • Logistic Regression and Maximum Likelihood Estimation
  • Loss function and Cross Entropy
  • Accuracy and Metrics
  • Precision, Recall, and F1
Neural Networks
  • Rosenblatt's Perceptron
  • Artificial Neuron
  • Warren McCulloch and Walter Pitts Neuron
  • Fully Connected (Linear, Dense, Affine) Layer
  • Activation Layers
  • BackPropagation Algorithm
  • Stochastic Gradient Descent
  • Biological Neuron and Analogy
Computation graphs and Deep Learning Frameworks
  • Computational graphs
  • Differentiable graphs
  • Deep Learning Frameworks
  • Custom Framework Realization
  • Linear operations and Activation Realizations
  • Main Blocks Of Deep Learning FrameWorks
  • Custom Model and Train
  • Optimizator realization
  • TensorFlow
  • Keras
  • PyTorch
  • JAX
Deep Learning
  • Neural Networks Problems
  • Activation Functions
  • Weights Initialization
  • Initialization Techniques
  • Overfitting and Underfitting
  • Regularization Methods
  • L1 and L2 Regularization
  • Ensemble of Models
  • Dropout
  • Hyper Parameters Search
  • Optimizations behind SGD
  • Momentum and Nesterov Momentum
  • Adagrad, RMSprop
  • Adam, Nadam
  • Batch-Normalization
Unsupervised Learning
  • Dimensionality reduction
  • Feature Learning
  • Representation Learning
  • Embeddings
  • Kernel Method
  • Clusterization
  • k-means Clusterization
  • Neural Networks and Unsupervised Learning
  • Autoencoders
  • Autoencoders architectures
  • Tasks for Autoencoders
  • The problem of Image Generation
  • Image Denoising Task
Introduction to Deep Learning in Computer Vision
  • Problems of Fully Connected Neural Networks
  • Towards Convolution Neural Network
  • CNN as a feature extractor
  • Computer Vision tasks
  • Transfer Learning
  • Transfer Learning in Practice
  • What Next (breath: CNN Architectures, Image Detection, Segmentation, Vision Transformer, GANs, CLIP, DALL-E, and others)
Introduction to Natural Language Processing
  • Introduction to Natural Language Processing
  • Text classification
  • Words Preprocessing and Representation
  • Part-of-Speech tagging (PoS tagging)
  • Tokenization, Lemmatization, and Stemming
  • Bag of Words
  • Distributive semantics
  • Vector Semantics
  • Dense Vectors and Embeddings
  • Word2Vec
  • What Next (breath: RNN, Seq2Seq, Attention, Transformers, Modern Language Models: GPT, BERT, and others)
Introduction to Machine Learning
  • Course Review
  • What is Machine Learning?
  • What is Deep Learning?
  • Machine Learning vs Deep Learning
  • ML & DL and Data Science
  • ML & DL Research
  • CV — Computer Vision
  • NLP — Natural Language Processing
  • Brief history of AI
  • AI, Turing Test, Philosophy of Science
Python for Machine Learning and Research
  • Algorithms for ML and common tasks
  • Classical Algorithms and Complexity
  • Useful Libraries & Frameworks
  • CPU vs GPU  parallel computing
  • Cloud vs Local computation
  • Data Visualization
  • Vectors and Vectorization
  • Image Processing & Preprocessing 
  • Language Processing & Preprocessing
Mathematics for Deep Learning
  • Common Notation & Core Ideas
  • Linear Algebra
  • N-dim Spaces
  • Vectors, Matrices, and Operators
  • Mathematical and Function Analysis, Calculus
  • Derivative and Partial derivative.
  • Chain Rule
  • Probability Theory
  • Introduction to Statistics
Linear, Polynomial and Multivariate Regression
  • Price prediction Task
  • Linear Regression
  • Least square method
  • Loss Function
  • Optimization Task
  • Gradient Descent
  • MLE — Maximum Likelihood Estimation
  • Data Preprocessing
  • Model Visualization
  • Data Normalization
  • Polynomial Regression
  • Multivariate Regression
Introduction to Computer Vision
  • What is Computer Vision?
  • Classical Computer Vision
  • Deep Learning and CV
  • Core Idea of Semantic Gap
  • Classification Task
  • N-dim Spaces and Metrics
  • Common datasets
  • Mnist and Fashion-Mnist
  • Cifar10 and Cifar100
  • Cats VS Dogs
  • ImageNet & MS COCO
  • JFT-300M & 400M image-text pairs
  • Euclidean Distance
  • Nearest Neighbour
Classification and Supervised Learning
  • Image Classification
  • Cosine Similarity 
  • Manhattan distance
  • kNN
  • Train / Val / Test data split
  • Logistic Regression
  • Logistic Regression and Maximum Likelihood Estimation
  • Loss function and Cross Entropy
  • Accuracy and Metrics
  • Precision, Recall, and F1
Neural Networks
  • Rosenblatt's Perceptron
  • Artificial Neuron
  • Warren McCulloch and Walter Pitts Neuron
  • Fully Connected (Linear, Dense, Affine) Layer
  • Activation Layers
  • BackPropagation Algorithm
  • Stochastic Gradient Descent
  • Biological Neuron and Analogy
Computation graphs and Deep Learning Frameworks
  • Computational graphs
  • Differentiable graphs
  • Deep Learning Frameworks
  • Custom Framework Realization
  • Linear operations and Activation Realizations
  • Main Blocks Of Deep Learning FrameWorks
  • Custom Model and Train
  • Optimizator realization
  • TensorFlow
  • Keras
  • PyTorch
  • JAX
Deep Learning
  • Neural Networks Problems
  • Activation Functions
  • Weights Initialization
  • Initialization Techniques
  • Overfitting and Underfitting
  • Regularization Methods
  • L1 and L2 Regularization
  • Ensemble of Models
  • Dropout
  • Hyper Parameters Search
  • Optimizations behind SGD
  • Momentum and Nesterov Momentum
  • Adagrad, RMSprop
  • Adam, Nadam
  • Batch-Normalization
Unsupervised Learning
  • Dimensionality reduction
  • Feature Learning
  • Representation Learning
  • Embeddings
  • Kernel Method
  • Clusterization
  • k-means Clusterization
  • Neural Networks and Unsupervised Learning
  • Autoencoders
  • Autoencoders architectures
  • Tasks for Autoencoders
  • The problem of Image Generation
  • Image Denoising Task
Introduction to Deep Learning in Computer Vision
  • Problems of Fully Connected Neural Networks
  • Towards Convolution Neural Network
  • CNN as a feature extractor
  • Computer Vision tasks
  • Transfer Learning
  • Transfer Learning in Practice
  • What Next (breath: CNN Architectures, Image Detection, Segmentation, Vision Transformer, GANs, CLIP, DALL-E, and others)
Introduction to Natural Language Processing
  • Introduction to Natural Language Processing
  • Text classification
  • Words Preprocessing and Representation
  • Part-of-Speech tagging (PoS tagging)
  • Tokenization, Lemmatization, and Stemming
  • Bag of Words
  • Distributive semantics
  • Vector Semantics
  • Dense Vectors and Embeddings
  • Word2Vec
  • What Next (breath: RNN, Seq2Seq, Attention, Transformers, Modern Language Models: GPT, BERT, and others)
ОТЗЫВЫ
FAQ
Как попасть на курс?
Для того чтобы попасть на курс необходимо сдать тестовое задание. Задание будет отправлено на почту после регистрации на курс.
Сколько занятий будет на курсе?
На курсе будет 27 занятий в формате онлайн вебинаров с куратором. Также могут быть и дополнительные занятия по курсовому проекту, о которых куратор будет предупреждать заранее.
Какой должен быть уровень Python и математики?
Студент курса должен владеть Python на базовом уровне, помнить основы анализа и теории вероятностей.
Важно: Если Вы сделали тестовое задание, то можете не переживать по поводу уровня python и знаний линейной алгебры. Вся необходимая математика будет дана на курсе. И как показывает практика, при грамотном преподавании проблем с кодом и математикой в machine learning, как правило, не возникает.
Останутся ли у меня материалы и записи курса?
Да, конечно. Все лекции и вебинары будут записаны.
Получу ли я сертификат?
Да, если будут сделаны 80% домашних работ, а также успешно защищен курсовой проект.
Сколько времени в неделю нужно уделять курсу?
Мы считаем, что для полноценного и глубокого усвоения материала и для выполнения домашних работ потребуется 10-15 часов в неделю.
Курс ориентирован на практику или на теорию?
На курсе много теории, но еще больше практики. Курс ориентирован в первую очередь на то, чтобы дать студенту глубокие знания, необходимый опыт и полноценный ml инструментарий для широкого спектра задач.
Какой формат коммуникации и фидбека?
У нас будет отдельный канал группы на платформе Slack c отдельными каналами по материалам лекций, домашними работами, обсуждениями вебинаров и флудилкой. Завернутый фидбек по домашним работам приходит в личку.
Если мне не понравится?
До 3-го занятия мы вернем всю сумму, если Вы передумаете.
Поможет ли мне курс попасть в такие крутые компании как SQUAD или REFACE?
На нашем курсе нет спойлеров вопросов с собеседований. Мы не сливаем программу собесов и не даем список вопрос. Нам это не нужно. Почему? Все просто. Наш курс сам по себе есть лучшая подготовка к любому собеседованию по data science и machine learning. И наши студенты это доказали.
Как попасть на курс?
Для того чтобы попасть на курс необходимо сдать тестовое задание. Задание будет отправлено на почту после регистрации на курс.
Сколько занятий будет на курсе?
На курсе будет 27 занятий в формате онлайн вебинаров с куратором. Также могут быть и дополнительные занятия по курсовому проекту, о которых куратор будет предупреждать заранее.
Какой должен быть уровень Python и математики?
Студент курса должен владеть Python на базовом уровне, помнить основы анализа и теории вероятностей.
Важно: Если Вы сделали тестовое задание, то можете не переживать по поводу уровня python и знаний линейной алгебры. Вся необходимая математика будет дана на курсе. И как показывает практика, при грамотном преподавании проблем с кодом и математикой в machine learning, как правило, не возникает.
Останутся ли у меня материалы и записи курса?
Да, конечно. Все лекции и вебинары будут записаны.
Получу ли я сертификат?
Да, если будут сделаны 80% домашних работ, а также успешно защищен курсовой проект.
Сколько времени в неделю нужно уделять курсу?
Мы считаем, что для полноценного и глубокого усвоения материала и для выполнения домашних работ потребуется 10-15 часов в неделю.
Курс ориентирован на практику или на теорию?
На курсе много теории, но еще больше практики. Курс ориентирован в первую очередь на то, чтобы дать студенту глубокие знания, необходимый опыт и полноценный ml инструментарий для широкого спектра задач.
Какой формат коммуникации и фидбека?
У нас будет отдельный канал группы на платформе Slack c отдельными каналами по материалам лекций, домашними работами, обсуждениями вебинаров и флудилкой. Завернутый фидбек по домашним работам приходит в личку.
Если мне не понравится?
До 3-го занятия мы вернем всю сумму, если Вы передумаете.
Поможет ли мне курс попасть в такие крутые компании как SQUAD или REFACE?
На нашем курсе нет спойлеров вопросов с собеседований. Мы не сливаем программу собесов и не даем список вопрос. Нам это не нужно. Почему? Все просто. Наш курс сам по себе есть лучшая подготовка к любому собеседованию по data science и machine learning. И наши студенты это доказали.
СТАТЬ DS/ML СПЕЦИАЛИСТОМ
Нажимая на кнопку, вы даете согласие на обработку персональных данных