Учебный курс

Программирование нейросетей на Python

Глубокие нейронные сейчас являются одним из самых популярных методов интеллектуального анализа данных. Почти во всех предметных областях они показывают более качественные результаты, чем другие методы машинного обучения.

Традиционно считается, что нейронные сети устроены очень сложно, для их использования нужно очень хорошо знать математику, программировать на языке C++, а также разбираться в тонкостях параллельных и высокопроизводительных вычислений. Однако в последнее время ситуация изменилась: появилось большое количества готовых к использованию библиотек для обучения нейронных сетей. С помощью этих библиотек достаточно просто начать применять нейронные сети для решения практических задач, даже если у вас нет детального понимания внутреннего устройства нейронных сетей.

Курс посвящен именно практическому применению нейронных сетей с использованием готовых библиотек Keras и TensorFlow. Вы научитесь применять эти библиотеки для решения задач анализа изображений и текстов.

Курс рассчитан на программистов, для понимания не требуются глубокие знания математики. Все примеры в курсе на Python, однако никаких специфических особенностей Python не используется. Если вы умеете программировать на любом языке, то легко поймете примеры кода.

Структура курса

Курс состоит из видеолекций и практических работ.

В лекциях рассматриваются теоретические основы работы глубоких нейронных сетей и особенности их обучения, описаны популярные в настоящее время архитектуры нейронных сетей (сверточные сети, сети долго-краткосрочной памяти (LSTM)), а также методы использования глубоких нейронных сетей для анализа изображений и текстов.

Практические работы содержат задания для самостоятельного выполнения на анализ открытых наборов данных. Задания рекомендуется выполнять в бесплатной облачной платформе Google Colaboratory. Там уже установлены Keras, TensorFlow и много других полезных библиотек, а также есть достаточно мощный GPU Tesla T4. Если есть желание, то вы можете установить Keras на свой компьютер и выполнять все задания у себя.

Основы обучения глубоких нейросетей

Нейросети для компьютерного зрения

Нейросети для анализа текстов

  1. Введение в курс "Нейросети для анализа текстов" (презентация).
  2. Лекция "Представление текста в цифровом виде для обработки нейронной сетью" (презентация).
  3. Лекция "Анализ тональности отзывов на фильмы из базы IMDB" (ноутбук в Colaboratory).
  4. Лекция "Представление текста в формате one hot encoding" (ноутбук в Colaboratory).
  5. Лекция "Представление текста плотными векторами (embeddings)" (ноутбук в Colaboratory).
  6. Лекция "Рекуррентные нейронные сети" (презентация).
  7. Лекция "Анализ тональности текста рекуррентной нейросетью" (ноутбук в Colaboratory).
  8. Лекция "Сети LSTM и GRU" (презентация).
  9. Лекция "Сети LSTM и GRU для определение тональности отзывов IMDB" (ноутбуки в Colaboratory: сеть LSTM, сеть GRU).
  10. Лекция "Анализ тональности отзывов YELP сетью LSTM". Рассматривается подготовка текстового набора данных к обработке нейронной сетью (ноутбук в Colaboratory).
  11. Лекция "Одномерные сверточные нейросети" (презентация, нотбук в Colaboratory).
  12. Лекция "Анализируем тональность отзывов YELP одномерной сверточнной нейросетью" (ноутбук в Colaboratory).
  13. Лекция "Классификация текстов нейросетями" (ноутбук в Collaboratory).
  14. Лекция "Многозначная классификация текстов" (презентация, ноутбук в Collaboratory).

Работа с платформой Google Colaboratory

Необходимое программное обеспечение

В курсе используется библиотека Keras, которая входит в TensorFlow. Все библиотеки распространяются бесплатно.

Примеры кода протестированы на Python 3, дистрибутив Anaconda.

Рекомендуется использовать платформу Google Colaboratory, где все необходимые библиотеки уже установлены. Google предоставляет Colaboratory бесплатно. Также можно установить Keras и TensorFlow на свой компьютер.

    Примеры программ

    Полные тексты программы есть в репозитории курса на GitHub.

      Как помочь

      Если курс вам показался полезным, то помогите, пожалуйста, распространить информацию о нем. Рекомендуйте своим друзьям в социальных сетях. Ставьте лайки и пишите комментарии к видео на YouTube, активность учитывается YouTube при показе видео в поиске и в похожих видео.

      Всем заранее спасибо за помощь и поддержку!