Машинное обучение: нейросети и глубокое обучение на Python

Мы разберем сегментацию и классификацию изображений облаков с помощью сверточных, пирамидальных, остаточных и полносвязных нейронных сетей в соревновании на Kaggle вплоть до формирования конечного результата.

Курс разбит на 2 части. В первой части мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную и логистическую регрессии.

Во второй части разберем на практических примерах:

• Проведение исследовательского анализа данных для поиска зависимостей: EDA.

• Метрики точности: оценка F1 и коэффициент Дайса.

• Очистка данных и обработка изображений.

• Загрузка и сохранение моделей и данных в HDF5.

• Двухслойный и многослойный перцептрон.

• Нейросети со сверточными слоями и слоями подвыборки.

• Функции активации, инициализация и оптимизаторы нейросетей.

• Преобразование и дополнение (аугментация) бинарных данных.

• LeNet, AlexNet, GoogLeNet.

• VGG, Inception, ResNet, DenseNet.

• Сегментация изображений с MobileNet, Unet, PSPNet и FPN.

• Ансамбль нейросетей.

• Выгрузка результата для соревнования на Kaggle.