Нейронные сети (Neural Networks)

Стоимость полного доступа к материалам курса — 9000 ₽ (включая НДС 22%). Оплата — единоразово, 100% предоплата. Доступ открывается сразу после оплаты. 

У курса есть бесплатная ознакомительная часть: нажмите на кнопку “Записаться”, этот курс появится у вас в разделе “Мои курсы”, и вы сможете посмотреть бесплатные общедоступные видеолекции, после чего принять решение: покупать курс или нет.

Что вы получите после оплаты:

• Доступ ко всем материалам курса (видеолекции + тесты).
• Возможность пройти итоговый тест с процедурой идентификацией личности (прокторинг).
• Возможность получить электронный сертификат, если наберете 60% баллов за тесты к разделам и итоговый тест. ВАЖНО: сертификат не является документом государственного образца!
• Если вы хотите пройти курс как программу повышения квалификации с выдачей удостоверения гос. образца - напишите на openedu@mephi.ru

Как оплатить и получить доступ ко всем материалам:

• Зарегистрируйтесь на портале openedu.ru.
• Запишитесь на курс (кнопка "Записаться" справа).
• Курс появится в разделе “Мои курсы”, вы сможете посмотреть бесплатную часть.
• Оплатите курс в разделе "Мои курсы".
• Сразу после оплаты вам откроется доступ ко всем материалам.
• Изучайте материалы в удобное время, без дедлайнов и дополнительных проверок.

Хотите официальное удостоверение?

Вы можете пройти повышение квалификации по этому курсу в онлайн-формате. В отличие от сертификата, удостоверение о повышении квалификации — это официальный документ государственного образца (72 часа, ФИС ФРДО).

Записаться на программу повышения квалификации можно по ссылке.

Стоимость доступа к материалам курса за исключением ознакомительной части (включая тестовые материалы и возможность пройти экзамен с прокторингом и получить сертификат) составляет 3600 рублей. Для этого нужно пройти текущее тестирование не меньше чем на 60% и итоговый тест не меньше чем на 60%.

1. Yoshua Bengio. Learning Deep Architectures for AI // Foundations and Trends in Machine Learning: Vol. 2: No. 1, pp 1-127. 2009.

2. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition. Springer, 2009.

3. I. Goodfellow, Y. Bengio, and A. Courville. Deep learning. MIT press, 2016.

4. J. Gareth, et al. An introduction to statistical learning. New York: Springer, 2013.

5. M. Nielsen. Neural networks and deep learning. San Francisco, CA, USA: Determination press, 2015.

Для изучения данного курса требуются знания университетских курсов математического анализа, линейной алгебры, теории вероятностей и математической статистики. Желательны базовые знания методов оптимизации и прикладного статистического анализа данных.

Знание английского языка на уровне не ниже Intermediate.

Module 1. Introduction.

1. Artificial neural networks as biologically inspired models.

2. The structure of a neuron.

3. Brief history of artificial neural networks.

4. AI, ML and ANNs.

5. An overview of neural network architectures.

Module 2. Multilayer neural networks.

Lesson 1. Activation functions.

Lesson 2. Mathematical model of multilayer neural network.

Lesson 3. Loss functions.

Lesson 4. Backpropagation algorithm.

Module 3. Neural Network Training algorithms.

Lesson 1. Gradient descent methods.

Lesson 2. Per-parameter adaptive learning rate methods.

Lesson 3. Stochastic gradient descent.

Lesson 4. Second order methods.

Lesson 5. Weight initialization.

Module 4. Generalization in Neural Networks.

Lesson 1. Generalization capability.

Lesson 2. Bias-variance decomposition.

Lesson 3. Cross-validation techniques.

Lesson 4. Regularization techniques.

Lesson 5. Dropout and batch-normalization.

Основные архитектуры и математические модели нейронных сетей.

Методы обучения нейронных сетей.

Методы оценки качества нейронных сетей.

Методы улучшения обобщающей способности нейронных сетей.

Применение нейронныех сетей для решения прикладных задач обработки данных.

Применение метов обучения нейронных сетей и настраивание их параметры.

Оценивание обобщающих способности нейронных сетей.

Владение терминологией теории нейронных сетей.

Владение инструментальными средствами для обучения нейронных сетей.

В результате обучения по курсу слушатель будет:

Знать:

• основны архитектур и математические модулей нейронных сетей
• методовы обучения нейронных сетей
• методы оценки качества нейронных сетей
• методы улучшения обобщающей способности нейронных сетей

Уметь:

• применять нейронные сети для решения прикладных задач обработки данных
• применять методы обучения нейронных сетей и настраивать их параметры
• Уоценивать обобщающие способности нейронных сетей

Владеть:

• терминологией теории нейронных сетей
• инструментальными средствами для обучения нейронных сетей