Машинное обучение и глубокое обучение с дизайнерским мышлением

Введение в дизайн-мышление (около 1 дня)

Процесс дизайн-мышления в двух словах

Наиболее важные правила и фазы дизайн-мышления

Практико-ориентированные подходы и приложения

5 этапов реального проекта (около 3 дней)

Этап исследования

Методологический вклад в качественное исследование

Реализация через практические упражнения на реальном проекте

Этап синтеза

Методические материалы по анализу и синтезу

Реализация через практические упражнения на реальном проекте

Этап разработки идеи

Методические материалы по креативным техникам и разработке идей

Реализация через практические упражнения на реальном проекте

Этап создания прототипов

Методические материалы по визуализации и прототипированию (включая макеты, манекены, 3D-печать и быстрое прототипирование)

Реализация через практические занятия на реальном проекте

Этап тестирования

Методические материалы по методам тестирования и итерациям, agile-подход

Реализация через практические упражнения на реальном проекте

Искусственный интеллект (ИИ) в рабочем процессе

Презентация конкретных технологий ИИ

и возможного применения в профессиональной среде

Работа над проектом (около 1 дня)

Закрепление изученного материала

Презентация результатов проекта

Введение в машинное обучение (около 5 дней)

Зачем нужно машинное обучение?

Примеры применения

Контролируемое обучение, неконтролируемое обучение, частично контролируемое обучение, обучение с подкреплением

Примеры наборов данных

Знакомство с данными

Обучающие, проверочные и тестовые данные

Просмотр данных

Составление прогнозов

Контролируемое обучение (около 5 дней)

Классификация и регрессия

Обобщение, чрезмерная и недостаточная подгонка

Размер набора данных

Алгоритмы для контролируемого обучения

Линейные модели

Классификаторы Байеса

Деревья решений

Случайный лес

Градиентный бустинг

k-nearest neighbours

Векторные машины с поддержкой

Условное случайное поле

Нейронные сети и глубокое обучение

Вероятности

Неконтролируемое обучение (около 5 дней)

Типы неконтролируемого обучения

Предварительная обработка и масштабирование

Преобразование данных

Масштабирование обучающих и тестовых данных

Уменьшение размерности

Разработка признаков

Манифольд-обучение

Декомпозиция главных компонент (PCA)

Факторизация неотрицательных матриц (NMF)

Манифольд-обучение с t-SNE

Кластерный анализ

Кластеризация k-Means

Агломеративная кластеризация

Иерархический кластерный анализ

DBSCAN

Кластерные алгоритмы

Оценка и совершенствование (около 2 дней)

Выбор модели и оценка модели

Настройка гиперпараметров оценщика

Кросс-валидация

Поиск по сетке

Метрики оценки

Классификация

Работа над проектом (около 3 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в глубокое обучение (около 1 дня)

Глубокое обучение как разновидность машинного обучения

Основы нейронных сетей (около 4 дней)

Перцептрон

Расчет нейронных сетей

Оптимизация параметров модели, обратное распространение

Библиотеки глубокого обучения

Регрессия против классификации

Кривые обучения, перебор и регуляризация

Оптимизация гиперпараметров

Стохастический градиентный спуск (SGD)

Момент, оптимизатор Адама

Скорость обучения

Конволюционная нейронная сеть (CNN) (около 2 дней)

Классификация изображений

Конволюционные слои, объединяющие слои

Перестраивающие слои, сглаживание, объединение глобальных средних

Архитектуры CNN ImageNet-Competition

Глубокие нейронные сети, исчезающие градиенты, пропуск связей, пакетная нормализация

Трансферное обучение (около 1 дня)

Адаптация моделей

Предварительное обучение без контроля

Расширение данных изображений, объяснимый ИИ

Региональный CNN (около 1 дня)

Локализация объектов

Проблемы регрессии

Разветвленные нейронные сети

Методы творческой генерации изображений (около 1 дня)

Генеративные адверсарные сети (GAN)

Глубокие подделки

Диффузионные модели

Рекуррентные нейронные сети (около 2 дней)

Анализ последовательностей

Рекуррентные слои

Обратное распространение во времени (BPTT)

Анализ временных рядов

Проблемы разрыва и исчезающего градиента

LSTM (Long Short-Term Memory)

GRU (Gated Recurrent Unit)

Глубокий RNN

Глубокий LSTM

Обработка текста с помощью нейронных сетей (около 2 дней)

Предварительная обработка текста

Встраивание слоев

Классификация текста

Анализ смыслового содержания

Трансферное обучение в НЛП

Переводы

Метод последовательности в последовательность, архитектура кодера-декодера

Языковые модели (около 1 дня)

BERT, GPT

Слои внимания, трансформаторы

Конвейеры генерации текста

Суммирование

чатботы

Глубокое обучение с подкреплением (около 1 дня)

Управление динамическими системами

Агентские системы

Обучение через вознаграждение

Градиенты политики

Глубокое Q-обучение

Байесовские нейронные сети (около 1 дня)

Неопределенности в нейронных сетях

Статистическая оценка прогнозов

Доверие, стандартное отклонение

Несбалансированные данные

Методы выборки

Работа над проектом (около 3 дней)

Закрепление изученного материала

Презентация результатов проекта