Вы пока не разбираетесь, почему ReLU лучше сигмоиды, чем отличается Rprop от RMSprop, зачем нормализировать сигналы и что такое skip connection? Зачем нейронной сети нужен граф, и какую он совершил ошибку, что она распространяется обратно? У вас есть проект с компьютерным зрением или, может быть, делаете межгалактического робота для борьбы с грязными тарелками, и хотите, чтобы он мог сам решать, отмывать или и так сойдет?

Мы запускаем открытый курс «Нейронные сети и компьютерное зрение», который адресован тем, кто в этой области делает первые шаги. Сильные стороны курса:

• авторы курса знают, о чем говорят: это инженеры московского Центра искусственного интеллекта Samsung, Михаил Романов и Игорь Слинько;
• есть как теория с задачками, так и практика на PyTorch
• приступаем к практике сразу после освоения минимальных теоретических знаний.
• лучшие студенты будут приглашены на собеседование в Samsung Research Russia!

Этот курс открылся 1 июня – первый в серии бесплатных онлайн-курсов от Samsung на платформе Stepik. Сделан выбор именно российской платформы, чтобы предоставить больше возможностей для русскоязычной аудитории. Курсы преимущественно будут посвящены области Machine Learning (ML). Выбор неслучаен: в мае 2018 года в Москве открылся Центр искусственного интеллекта Samsung, где работают такие научные звезды ML, как Виктор Лемпицкий (самый цитируемый ученый России в категории Computer Science), Дмитрий Ветров, Антон Конушин и многие другие.

Итак, за 6 недель видеолекций и практических заданий, занимаясь по 3-5 часов в неделю, вы сумеете разобраться, как решать базовые задачи машинного зрения, а также приобретете необходимую теоретическую подготовку для дальнейшего самостоятельного изучения области.

Предполагается два режима прохождения курса: базовый и продвинутый. В первом случае достаточно смотреть лекции, отвечать на вопросы по лекциям и решать семинары. Во втором случае потребуется решить теоретические задачи, в которых нужно будет применить достаточно обширные знания из математики 1-2 курсов технического университета.

В курсе последовательно излагается терминология и принципы построения нейросетей, рассказывается о современных задачах, методах оптимизации, функциях потерь и об основных архитектурах нейронных сетей. И в завершение обучения — решение наглядной прикладной задачи по компьютерному зрению.

Преподаватели курса

Михаил Романов

Выпускник МФТИ. Закончил Школу анализа данных Яндекса. Получил степень PhD в Technical University of Denmark.

Сотрудник московского Центра ИИ Samsung. Михаил занимается задачами машинного зрения для роботов и любит преподавать. У него есть много идей и тем для дальнейших курсов. Один из выпускников AI Bootcamp 2018 в выходной анкете на вопрос оценить Михаила в 5-балльной шкале как преподавателя, написал: «жаль, что нет оценки шесть!».


Игорь Слинько

Выпускник МФТИ. Закончил Школу анализа данных Яндекса. Сотрудник московского Центра ИИ Samsung. Игорь также занимается задачами машинного зрения для роботов, преподает Machine Learning в Высшей школе экономики. В прошлом и в этом году он лектор-волонтер мастерской «Deep Learning» социально-образовательного проекта Летняя школа.

Программа курса

Нейронная сеть:

1. Математическая модель нейрона
2. Булевы операции в виде нейронов
3. От нейрона к нейронной сети
4. Семинар: Базовая работа в PyTorch

Строим первую нейронную сеть:

1. Восстановление зависимости нейронной сетью
2. Компоненты нейронной сети
3. Теоретические задачи: Восстановление зависимостей
4. Алгоритм настройки нейронной сети
5. Теоретические задачи: Графы вычислений и BackProp

Задачи, решаемые при помощи нейронных сетей:

1. Бинарная классификация? Бинарная кросс-энтропия!
2. Многоклассовая классификация? Софтмакс!
3. Локализация, детекция, super-resolution
4. Теоретические задачи: Функции потерь
5. Семинар: Строим первую нейронную сеть
6. Семинар: Классификация в PyTorch

Методы оптимизации:

1. Самый обычный градиентный спуск
2. Модификации градиентного спуска
3. Теоретические задачи: Понимаем SGD с momentum
4. Семинар: Реализация градиентного спуска средствами PyTorch
5. Семинар: Классификация рукописных чисел полносвязной сетью

Свёрточные неройнные сети:

1. Свёртка, каскад свёрток
2. История архитектур: LeNet (1998)
3. История архитектур: AlexNet (2012) и VGG (2014)
4. История архитектур: GoogLeNet и ResNet (2015)
5. Семинар: Распознавание рукописных чисел свёрточной нейросетью

Регуляризация, нормализация, метод максимального правдоподобия:

1. Регуляризация и нейронные сети
2. Нормализация данных
3. Семинар: Решаем задачу классификации на датасете CIFAR
4. Метод максимального правдоподобия
5. Семинар: Transfer learning на примере соревнования на Kaggle

Требования к студентам

Курс рассчитан на слушателей, которые делают первые шаги в области машинного обучения. Что нужно от вас?

1. Иметь базовые знания в области математической статистики.
2. Быть готовым программировать на Python.
3. Если вы хотите пройти курс на сложном уровне, то понадобится неплохое знание математического анализа, линейной алгебры, теории вероятностей и статистики.

Вызов принят? Тогда приступайте к курсу!