Профессия Deep learning engineer

Программа обучения

• 6 месяцев
• 30 модулей
• 4 курса
• Обновляем каждый квартал

1. Deep learning
   1. Нейронные сети: введение Разберётесь, как нейронная сеть получает данные, делает прогноз и корректирует свои параметры во время обучения.
   2. Инструменты для глубокого обучения Освоите PyTorch, тензоры, Dataset и DataLoader. Соберёте цикл обучения модели и научитесь работать в GPU-среде.
   3. Свёрточные нейронные сети Поймёте, как свёрточные нейронные сети работают с изображениями, и научитесь готовить данные для задач классификации.
   4. Задача оптимизации Разберётесь в функциях потерь, градиентном спуске и оптимизаторах. Научитесь настраивать learning rate и гиперпараметры.
   5. Fine-tuning и transfer learning Будете адаптировать предобученные модели под новые данные, замораживать и размораживать слои и сравнивать стратегии дообучения.
   6. Natural language processing Подготовите текстовые данные, проведёте токенизацию и векторизацию и познакомитесь с нейросетевыми задачами для текста.
   7. Сегментация и детекция Научитесь находить и выделять объекты на изображениях. Познакомитесь с U-Net, YOLO и метриками качества.
   8. Reinforcement learning Разберётесь, как работают агент, среда, действие и награда и для каких задач применяют обучение с подкреплением.
   9. Advanced: продвинутые нейронные сети Познакомитесь с более сложными архитектурами и научитесь выбирать подход с учётом задачи и ограничений модели.
   10. Результат: сможете собирать, обучать и донастраивать нейронные сети, оценивать их качество и выбирать архитектуру под задачу.
2. Компьютерное зрение и нейросети для роботов
   1. Примеры решений и специфика задач в индустрии Разберёте, как computer vision применяют в сельском хозяйстве, логистике и инвентаризации и где нейросетевой подход действительно оправдан.
   2. Постановка задачи и основные ML-подходы Научитесь переводить прикладную задачу в задачу классификации, детекции или сегментации и выбирать подход под ограничения проекта.
   3. Типы данных и основы нейросетевых решений Познакомитесь с индустриальными, мультиспектральными и гиперспектральными изображениями и разберётесь в устройстве слоёв нейросети.
   4. Обучение и оценка нейросетей Пройдёте процесс обучения на индустриальном примере и научитесь оценивать, подходит ли полученное качество для исходной задачи.
   5. Настройка и оптимизация нейросетей Научитесь выбирать гиперпараметры, оптимизаторы, функции потерь и метрики и обосновывать решения.
   6. U-Net для задач сегментации Настроите пайплайн сегментации: подготовите данные, выберете функции потерь и метрики, примените аугментации и transfer learning.
   7. YOLO для задач детекции Разберётесь с форматами аннотаций, настройкой обучения и оценкой детектора объектов.
   8. Сбор и разметка датасета Научитесь планировать сбор данных, выбирать инструменты разметки, работать с форматами аннотаций и контролировать качество датасета.
   9. Управление IT-проектами Разберётесь, как декомпозировать проект, оценивать ресурсы, сроки и риски и выстраивать работу с заказчиком.
   10. Управление проектами computer vision Познакомитесь со спецификой CV-проектов: research- и production-фазами, требованиями к оборудованию, составом команды и типовыми ошибками.
3. Компьютерное зрение для обработки медицинских изображений
   1. Задачи CV в бизнесе и медицине Разберёте классификацию, обнаружение объектов и ключевых точек и особенности постановки медицинской CV-задачи.
   2. Работа с изображениями Освоите препроцессинг и постпроцессинг, аугментации и PyTorch Dataset. Познакомитесь с DICOM и whole slide images (WSI).
   3. Архитектуры deep learning для медицинских изображений Разберёте CNN, архитектуры классификации и детекции и U-Net для сегментации. Научитесь выбирать подход под тип исследования.
   4. Задача сегментации Подготовите данные и сравните методы сегментации. Разберётесь в метриках, функциях потерь и постпроцессинге.
   5. Работа с медицинскими изображениями Разберётесь в устройстве DICOM и PACS, научитесь читать DICOM на Python и познакомитесь с моделями для объёмных 3D-данных.
4. Обработка естественного языка в медицине
   1. Задачи NLP в бизнесе и медицине Познакомитесь с основными NLP-задачами и попробуете решить задачу бинарной классификации текстовых данных.
   2. Data mining для NLP Научитесь собирать и очищать текстовые данные, работать с кодировками, векторизацией и оценивать качество корпуса.
   3. Предобработка текстов и feature engineering Проведёте предварительный анализ текстов, освоите токенизацию и сравните разные способы представления текста в виде чисел.
   4. Рекуррентные нейронные сети Разберётесь, как RNN работают с последовательностями, и примените их к классификации текстов и задачам машинного перевода.
   5. Классификация и кластеризация Освоите тематическое моделирование, анализ тональности и NER — поиск именованных сущностей в тексте. Научитесь оценивать качество и разбирать ошибки.
   6. Прикладные задачи NLP в медицине Попробуете извлекать информацию из медицинских документов, анализировать отзывы и разрабатывать прототип чат-бота.
5. Итоговый проект профессии
   1. Соберёте собственный deep-learning-прототип Пройдёте полный цикл работы над задачей: подготовите данные, обучите ИИ-модель, подберёте метрики, проанализируете ошибки и представите готовый прототип.