Корзина покупок пуста.
Вы можете выбрать товар из Каталога.
Вы можете выбрать товар из Каталога.
![[Udemy] Electron - разработка настольных приложений на JavaScript (2020)](https://i1.stat01.com/2/5878/158770303/baec64/udemy-electron-razrabotka-nastolnyh-prilozhenij-na-javascript-2020.png)
![[Udemy] Эмоциональный интеллект (2016)](https://i4.stat01.com/2/5878/158770305/baec64/udemy-jemocionalnyj-intellekt-2016.png)
![[Центр digital-профессий ITtensive] Машинное обучение: нейросети и глубокое обучение (2020)](https://i3.stat01.com/2/5877/158769598/afacdb/centr-digital-professij-ittensive-mashinnoe-obuchenie-nejroseti-i-glubokoe-obuchenie-2020.png "[Центр digital-профессий ITtensive] Машинное обучение: нейросети и глубокое обучение (2020)")
Бесплатная
Доставка
Доставка
Гарантия
Возврата
Возврата
Онлайн
Поддержка
Поддержка
100 рублей
Автор: Центр digital-профессий ITtensive
Название: Машинное обучение: нейросети и глубокое обучение (2020)
Чему вы научитесь
- 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
Требования
- Основы математической статистики
- Основы машинного обучения
- Продвинутый Python
Описание
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.
В этом курсе:
- 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.
Для кого этот курс:
Аналитики Python, изучающие машинное обучение
Программисты больших данных
Исследователи больших данных
Подробнее:
Скачать:
