Сверточные нейронные сети: от AlexNet до EfficientNet

1. Разработчикам и специалистам по анализу данных:

Узнают, как эффективно использовать сверточные нейронные сети для обработки изображений.
Разберутся в базовых концепциях сверточных нейронных сетей, таких как свертки, пулинг и полносвязные слои.
Поймут вклад каждой архитектуры в развитие глубокого обучения и улучшение производительности моделей.

2. Специалистам в области машинного обучения и глубокого обучения:

Погрузятся в основные архитектуры CNN, начиная от ранних моделей, таких как LeNet, и заканчивая современными, такими как EfficientNet.
Получат практические советы по обучению и оптимизации нейронных сетей для достижения высокой точности и эффективности.

3. Всем, кто интересуется компьютерным зрением:

Поймут, как применение сверточных нейронных сетей революционизировало обработку изображений и привело к ряду инноваций в различных областях, включая медицину, автомобильную промышленность, искусственный интеллект и многое другое.

Кому будет полезен вебинар:

Какую пользу получат участники открытого урока:

1. Овладеете практическими навыками:

Участники научатся настраивать и обучать сверточные нейронные сети, что позволит им применять эти знания в своих собственных проектах и исследованиях.

2. Поймете основные концепции:

Получат глубокое понимание основных понятий и терминов, связанных с CNN, что поможет им более эффективно общаться и сотрудничать в области машинного обучения и компьютерного зрения.

3. Откроете новые возможности для развития карьеры:

Успешное освоение сверточных нейронных сетей может значительно повысить профессиональный рост и карьерные перспективы участников, открывая новые возможности для работы в сфере искусственного интеллекта и анализа данных.

4. Получите шанс попасть в окружение экспертов и энтузиастов CV-технологий:

Вебинар предоставит участникам возможность общаться и обмениваться опытом с другими специалистами в области машинного обучения и компьютерного зрения, что может привести к созданию новых связей и партнерств.

Сверточная нейронная сеть (CNN):
Это тип нейронной сети, специально разработанный для обработки данных с сетчатой структурой, таких как изображения. Использует свертки для выделения важных признаков.

Свертка:
Математическая операция, применяемая к двум функциям, которая результатом дает третью функцию, показывающую, насколько одна из функций совпадает с другой. В контексте CNN это фильтр, который проходит по изображению для выделения признаков, таких как края и текстуры.

Ядро/фильтр:
Набор весов, применяемых в процессе свертки для выделения специфических признаков из изображения. Матричный элемент, который перемещается по всему изображению, применяя свертку.

Программа открытого урока

Архитектуры CNN:

LeNet: Первая CNN, разработанная для распознавания рукописных цифр.
AlexNet: Победитель конкурса ImageNet 2012, который значительно углубил и расширил архитектуру CNN.
VGGNet: Использует небольшие (3x3) свертки, глубину сети увеличивает за счет увеличения количества слоев.

Обучение и оптимизация:

Backpropagation: Метод обратного распространения ошибки, используемый для обучения сети.
SGD (Stochastic Gradient Descent): Метод оптимизации, применяемый для обновления весов сети.
Data Augmentation: Техника увеличения объема данных путем применения различных преобразований (например, вращения, обрезки) к исходным данным.

Обзор алгоритмов и их применения

Спикер

Андрей имеет обширный опыт в решении задач с применением как классических методов машинного обучения, так и глубокого обучения с использованием нейронных сетей в области обработки естественного языка (NLP) и компьютерного зрения (CV). Его проекты включают в себя:

NLP: Работу с задачами Topic Modeling и Named Entity Recognition (NER), а также исследования в области анализа текстов и создания языковых моделей.
CV: Разработку алгоритмов для обнаружения лиц, сегментации объектов, классификации возраста и пола, а также семантической сегментации изображений.
Кластерный анализ: Проведение исследований по кластеризации аудитории с целью определения ключевых сегментов их поведения.
Прогнозирование бизнес-метрик: Разработку моделей машинного обучения для прогнозирования ключевых показателей бизнеса на основе анализа данных.
Аудиторное профилирование и персонализация рекламы: Работу над созданием инструментов для анализа и профилирования аудитории, а также персонализации рекламных кампаний.

Андрей Канашов

Senior Data Scientist

Все участники вебинара получат

Запись открытого вебинара

Бесплатный урок
курса

Сертификат со скидкой на покупку курса

Запишитесь на мероприятие

И мы пришлем вам напоминание перед стартом вебинара, чтобы ничего не пропустить

24 июня | 20:00 МСК

Информация

Об Otus

Контакты

По всем вопросам
help@otus.ru