This course on neural networks in Python aims to provide a brief history and understanding of fully connected neural networks. Students will learn about the capabilities of perceptrons, backpropagation for training, acceleration techniques, and avoiding overfitting. The course covers activation functions, quality criteria, and introduces Keras for network training and recognition tasks. Participants will also explore optimizers, validation data preparation, and methods like dropout and batch normalization to enhance network performance. The teaching method includes creating convolutional neural networks, implementing architectures like VGG-16 and VGG-19, and understanding Neural Style Transfer. Additionally, students will delve into image colorization, recurrent neural networks, and character prediction using Python. This course is suitable for individuals interested in neural networks, Python programming, and deep learning applications.
Overview
Syllabus
Нейронные сети: краткая история триумфа.
Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python.
Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python.
Back propagation - алгоритм обучения по методу обратного распространения | #3 нейросети на Python.
Ускорение обучения, начальные веса, стандартизация, подготовка выборки | #4 нейросети на Python.
Переобучение - что это и как этого избежать, критерии останова обучения | #5 нейросети на Python.
Функции активации, критерии качества работы НС | #6 нейросети на Python.
Keras - установка и первое знакомство | #7 нейросети на Python.
Keras - обучение сети распознаванию рукописных цифр | #8 нейросети на Python.
Как нейронная сеть распознает цифры | #9 нейросети на Python.
Оптимизаторы в Keras, формирование выборки валидации | #10 нейросети на Python.
Dropout - метод борьбы с переобучением нейронной сети | #11 нейросети на Python.
Batch Normalization (батч-нормализация) что это такое? | #12 нейросети на Python.
Как работают сверточные нейронные сети | #13 нейросети на Python.
Делаем сверточную нейронную сеть в Keras | #14 нейросети на Python.
Примеры архитектур сверточных сетей VGG-16 и VGG-19 | #15 нейросети на Python.
Теория стилизации изображений (Neural Style Transfer) | #16 нейросети на Python.
Делаем перенос стилей изображений с помощью Keras и Tensorflow | #17 нейросети на Python.
Как нейронная сеть раскрашивает изображения | #18 нейросети на Python.
Введение в рекуррентные нейронные сети | #19 нейросети на Python.
Как рекуррентная нейронная сеть прогнозирует символы | #20 нейросети на Python.
Делаем прогноз слов рекуррентной сетью. Embedding слой | #21 нейросети на Python.
Как работают RNN. Глубокие рекуррентные нейросети | #22 нейросети на Python.
LSTM - долгая краткосрочная память | #23 нейросети на Python.
Как делать сентимент-анализ рекуррентной LSTM сетью | #24 нейросети на Python.
Рекуррентные блоки GRU. Пример их реализации в задаче сентимент-анализа | #25 нейросети на Python.
Двунаправленные (bidirectional) рекуррентные нейронные сети | #26 нейросети на Python.
Автоэнкодеры. Что это и как работают | #27 нейросети на Python.
Вариационные автоэнкодеры (VAE). Что это такое? | #28 нейросети на Python.
Делаем вариационный автоэнкодер (VAE) в Keras | #29 нейросети на Python.
Расширенный вариационный автоэнкодер (CVAE) | #30 нейросети на Python.
Что такое генеративно-состязательные сети (GAN) | #31 нейросети на Python.
Делаем генеративно-состязательную сеть в Keras и Tensorflow | #32 нейросети на Python.
Taught by
selfedu
