PYNN: Нейронные сети на Python

• Теоретическая часть: в рамках занятия рассказывается о задачах, которые решаются методами машинного обучения. Даются основные понятия о постановке таких задач, метриках качества, цикле разработки решения. Подробно рассказывается, в каких случаях классические методы уступают в качестве работы нейронным сетям.

• Практическая часть: погружение в фреймворк PyTorch языка Python. Рассматривается пример модели для классификации изображений.

2. Работа с табличными данными* (входит в расширенную версию курса — 32 ак.ч.)

• Теоретическая часть: в рамках занятия рассматриваются методы обработки и анализа табличных данных с использование библиотек pandas и matplotlib. Дается описание архитектуры полно связной нейронной сети и разбираются математические основы ее работы.

• Практическая часть: рассматриваются примеры решения задачи классификации на табличных данных. Разбирается код создания модели с нуля на PyTorch, подготовка данных и обучение модели.

3. Обработка изображений и решение задач компьютерного зрения

• Теоретическая часть: на занятии вы знакомитесь с основными задачами компьютерного зрения (CV – computer vision), а именно: классификацией изображений, детектированием объектов на них, сегментацией различных участков изображений и определением ключевых точек. Даются основные понятия сверточных нейронных сетей и современных архитектур для решения указанных задач.

• Практическая часть: примеры использования алгоритма Yola для детекции объектов на изображении. Разметка изображений с использованием инструмента Label Studio.

4. Задачи обработки текстовых данных

• Теоретическая часть: на занятии рассказывается о задачах в области обработки естественного языка (NLP – natural language processing), среди которых выделяются классификация текстов, поиск ключевых сущностей, расстановка знаков препинания и капитализация, векторизация и поиск семантически близких текстов, а также суммаризация. Описываются классические частотные подходы к обработке текстов, а также нейросетевые на основе рекуррентных нейронных сетей и трансформеров.

• Практическая часть: решение задачи поиска ключевых сущностей на основе регулярных выражения, фреймворка Natasha и предобученной сети BERT.

5. Большие языковые модели* (входит в расширенную версию курса — 32 ак.ч.)

• Теоретическая часть: рассмотрим передовые решения для задач суммаризации и построения чат-ботов на основе больших языковых моделей (LLM – large language model). Дается обзор проприетарных и открытых решений. Описываются нюансы эксплуатации и обучения LLM. …