Машинное обучение: нейросети и глубокое обучение на Python
Выигрываем соревнование Kaggle по классификации/сегментации изображений со сверточными и остаточными нейросетями
Description
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.
What You Will Learn!
- Распознавание формы облаков по фотографии
- Оценка F1 и критерий сходства Дайса
- Многослойный перцептрон
- Сверточные нейронные сети
- Функции активации, регуляризаторы и оптимизаторы
- Нормализация, отсев и дополнение изображений
- LeNet, AlexNet и GoogLeNet, Inception
- VGG, ResNet и DenseNet
- MobileNet, FPN, Unet, PSPNet
- Ансамбли нейросетей
Who Should Attend!
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи больших данных