Рекуррентные нейронные сети, анализ последовательностей и естественного языка

Описание курса

«Рекуррентные нейронные сети, анализ последовательностей и естественного языка» — это продвинутый курс из серии «Глубокие нейронные сети», направленный на предоставление слушателям знаний и практического опыта использования нейронных сетей для анализа последовательностей, в частности временных рядов и естественного языка. В курсе рассматриваются наиболее популярные в настоящее время архитектуры рекуррентных нейронных сетей: сети долго-краткосрочной памяти (Long short-term memory, LSTM) и управляемые рекуррентные нейронные сети (Gated Recurrent Unit, GRU). Курс обеспечивает теоретические знания и практические навыки, необходимые для разработки рекуррентных нейронных сетей на Python с помощью библиотек Keras и TensorFlow.

Целевая аудитория

Курс рекомендован и будет полезен тем, кто занимается решением задач анализа данных, машинного обучения и разработкой искусственного интеллекта: программистам, аналитикам, специалистам в области данных, инженерам машинного обучение, имеющим базовое представление о глубоких нейронных сетях.

Минимальные требования

Данный курс предполагает наличие у слушателей базового знания языка программирования Python. Знание основ машинного обучения полезно, но не обязательно.
Рекомендуемые предварительные курсы: NVD-01 Введение в глубокие нейронные сети.

Содержание курса

День 1
Модуль 1. Рекуррентные нейронные сети
  • Нейронные сети с прямым распространением сигнала и рекуррентные нейронные сети.
  • Обучение рекуррентной нейронной сети, разворачивание во времени.
  • Простые рекуррентные нейронные сети.
  • Лабораторная работа 1. Определение тональности текста с помощью простой рекуррентной нейронной сети на Keras и TensorFlow.
Модуль 2. Сети долго-краткосрочной памяти (LSTM)
  • Архитектура сетей долго-краткосрочной памяти.
  • Лабораторная работа 2. Определение тональности текста с помощью сетей долго-краткосрочной памяти на Keras и TensorFlow.
Модуль 3. Управляемые рекуррентные нейронные сети (GRU)
  • Архитектура управляемых рекуррентных нейронных сетей.
  • Лабораторная работа 3. Определение тональности текста с помощью управляемых рекуррентных нейронных сетей на Keras и TensorFlow.
Модуль 4. Анализ временных рядов с помощью рекуррентных нейронных сетей
  • Задача анализа временных рядов
  • Анализ временных рядов с помощью рекуррентных нейронных сетей и одномерных сверточных нейронных сетей
  • Лабораторная работа 4. Анализ временных рядов для медицинских данных с помощью Keras и TensorFlow.

День 2
Модуль 5. Обработка естественного языка
  • Задача обработки естественного языка как задача анализа последовательностей.
  • Подходы к представлению текстов на естественном языке в качестве входных данных для глубоких нейронных сетей.
  • Векторное представление слов (word embedding).
  • Предварительно обученные векторные представления слов GloVe и Word2Vec.
  • Лабораторная работа 5. Определение тональности текста с использованием предварительно обученного векторного представления слов на Keras и TensorFlow.
Модуль 6. Классификация текстов с помощью глубоких нейронных сетей
  • Классификация текстов по темам.
  • Лабораторная работа 6. Определение темы документа из набора данных новостей агентства "Рейтер" на Keras и TensorFlow.
Модуль 7. Автоматическая генерация текста
  • Генерация текста как задача предсказания последовательностей.
  • Использование рекуррентных нейронных сетей для генерации текста.
  • Лабораторная работа 7. Автоматическая генерация текста с помощью сетей долго-краткосрочной памяти на Keras и TensorFlow.
Ближайшие даты:
с 15.03.2018 по 16.03.2018 Очная Андрей Созыкин Записаться
Номер курса: NVD-003
Стоимость курса
Форма обучения: Очная
29 000 ₽
Длительность: 2 дня
Тренеры
Андрей Созыкин
Андрей Созыкин
Преподаватель
Оставить заявку
Ваше имя *
Телефон
Количество участников
Событие/обучение
Блок курсов Fortinet
Обновление базовых курсов Juniper
CCSA & CCSE R80.19