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 20.09.2018 по 21.09.2018 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
Событие/обучение
Ваше имя *
Телефон
Количество участников
CCSM R80.10
Блок курсов Fortinet
Обновление базовых курсов Juniper
Согласие на обработку персональных данных

Настоящим даю согласие на обработку (сбор, систематизацию, накопление, хранение в электронном виде и на бумажном носителе, уточнение, использование, распространение, обезличивание, блокирование, уничтожение, с использованием средств автоматизации и без использования таких средств) АНО ДПО «Диона Мастер Лаб» (127287, г. Москва, 2-я Хуторская ул., д. 38А, стр. 15) моих всех вышеуказанных персональных данных в целях обработки моего запроса, направленного через сайт masterlab.ru и коммуникации со мной в целях, связанных с обработкой и выполнением моего запроса с помощью различных средств связи, а именно посредством: интернет; сообщений на адрес электронной почты; телефону.

Срок действия согласия является неограниченным. Вы можете в любой момент отозвать настоящее согласие, направив письменное уведомления на адрес 127287, г. Москва, 2-я Хуторская ул., д. 38А, стр. 15 с пометкой «Отзыв согласия на обработку персональных данных».

Гарантирую, что представленная мной информация является полной, точной и достоверной, а также что при представлении информации не нарушаются действующее законодательство Российской Федерации, законные права и интересы третьих лиц. Вся представленная информация заполнена мною в отношении себя лично.

Настоящее согласие действует в течение всего периода хранения персональных данных, если иное не предусмотрено законодательством Российской Федерации.