Целта на курса е учениците да придобият теоретично и практическо познание свързано с теми като Convolutional Neural Networks for Image Recognition/Object Detection, Recurrent Neural Networks for Natural Language Processing, Transformer Models for Computer Vision and Natural Language Processing, Attention Mechanisms. Ученикът ще получи също познания свързани с библиотеки на Python за обработка на изображения и обработка на текст. Курсът ще се състои от 14 лекции. Ще се провеждат по 2 лекции на седмица като часът и денят на лекциите ще бъде съгласуван с всички ученици, така че да е удобен за мнозинството от тях. Лекторът ще предоставя индивидуална обратна връзка на всеки ученик, както относно всяка домашна работа, така и относно проектите, които ученикът трябва да представи като част от курса. Тези проекти ще са три (детайли може да намерите в разписанието на курса по-долу). Всеки проект (практическа задача) ще има краен срок за предаване две седмици след възлагането.

Лектор: Стефан Лазов

Цена: 300 лева

Капацитет: 30 човека

Процедура по записване: Записването тече към момента, в който четете статията. Всеки, който проявява интерес към записване може по всяко време да изпрати имейл на stefan.lazov@miraclestar.info . След проявяване на интерес ученикът ще премине през 15-30 минутен онлайн разговор с лектора. В този разговор лекторът и ученикът ще обсъдят мотивацията на ученика за вземане на курса и всякакви специфични нужди, които студентът има. 1-2 дни след разговорa ученикът ще бъде уведомен дали е одобрен за курса. В случай, че ученикът не е одобрен, той ще получи насоки за това как да се подготви и да кандидатства отново за следващата сесия на курса (след около 2 месеца).

Заплащане: След записване ученикът ще получи детайли за банков трансфер. Плащането трябва да бъде направено преди втората лекция от курса, за да може ученикът да продължи да участва в курса до края.

Начало на курса: Следващата сесия на курса започва около 15-ти Декември 2021.

Край на курса: 8-9 седмици след началото

Необходими познания: Преминат курс Въведение в Machine Learning или еквивалентни познания

Програмни езици и платформи: Python и PyTorch

Език на провеждане: Курсът се провежда паралелно на два езика – Български и Английски, всеки ученик има възможност да избере един от двата.

Този курс е част от специализацията по Machine Learning, но не е небходимо да сте записани за нея, за да вземете курса – можете да вземемте и само него, ако пожелаете.

Разписание на курса

  1. Основни библиотеки при обработка на изображения
  • CV2
  • PIL

2. Основни библиотеки при обработка на текст

  • Pandas
  • NLTK
  • Spacy

3. Convolutional Neural Networks – Теория

4. Convolutional Neural Networks – Основни архитектури

  • VGG
  • ResNet
  • EfficientNet

5. Convolutional Neural Networks – Практика

  • Разработка на Convolutional Neural Network на PyTorch

6. Практическо упражнение 1 – Всеки ученик ще получи задача да приложи Convolutional Neural Network за решаването на Image Recognition задача и да опише постигнататите резултати в репорт. Проблемът и данните ще бъдат едни и същи за всички ученици. Ще има 2 седмици, в които всеки ученик ще може да звърши задачата и подготви репорта – насоки за това как да се напише репорта ще бъдат дадени по време не лекцията. По време на лекцията също ще се обсъжда проблемът и различни подходи за неговото решаване.

7. Recurrent Neural Networks – Теория

8. Recurrent Neural Networks – Основни архитектури

  • RNN
  • LSTM
  • GRU

9. Recurrent Neural Networks – Практика

  • Разработка на Recurrent Neural Network на PyTorch

10. Attention Mechanisms

  • Attention Mechanisms в Convolutional Neural Networks
  • Attention Mechanisms в Recurrent Neural Networks
  • Въведение в Transformer Architecture

11. Transformer модели

  • Transformer модели за обработка на изображения
  • Transformer модели за обработка на текст

12. Практическо упражнение 2 – много сходно с Практическо упражнение 1 само че този път задачата ще е свързана с обработка на текст

13. Object Detection

  • Основни архитектури, множества от данни и проблеми

14. Практическо упражнение 3 – много сходно с Практическо упражнение 1 и 2 само че този път задачата ще е свързана с Object Detection

Често задавани въпроси

  • Ще получа ли запис на лекциите? – Да, всеки ученик ще получи запис на всяка една от лекциите
  • Мога ли да комуникирам с другите ученици? – Да, ще има Slack канал, в който всички ученици и лекторът ще комуникират
  • Колко често мога да комуникирам с лектора? – Когато имате въпрос, проблем или каквото и да било свързано с курса или вашето развитие в сферата на Machine Learning. Всеки е добре дошъл да задава въпроси, простиращи се над покрития материал в курса
  • Има ли учебник? – Не, всеки студент ще получава документ съдържащ бележки към всяка лекция (документът ще бъде получаван след предната леция). Този документ ще съдържа референции към статии и книги, които ученикът може да ползва като материал за учене
  • Ще има ли курсове за по-напреднали? – Да, този курс е първият курс от специализацията по Machine Learning предлагана от Miracle Star. Следващият курс, който се препоръчва учениците да вземат е Contemprorary Neural Networks and Some Applications
  • Как ще се състоят лекциите? – Лекциите ще се състоят онлайн чрез Zoom
  • Мога ли да пропускам лекции? – Присъствието или пропускането на лекция е по лична преценка и нужда на студента
  • Ще получа ли запис, ако пропусна лекция? – Да, също ще можете да питате всякакви въпроси, които имате към лекцията
  • Ще получа ли сертификат? – Не, но проектите в курса ще бъдат едно добро порфолио за вас при търсене на работа
  • Ще получа ли оферта за работа след като завърша? – Miracle Star преговаря с различни фирми търсещи Machine Learning Engineers. За момента не можем да гарантираме започване на работа или получаване на покана на интервю за работа, но пообна възможност може да се появи за най-сериозните ученици

Не се притеснявайте да изпращате всякакви въпроси (отговорени и неотговорени тук) на stefan.lazov@miraclestar.info

Leave a Reply

Your email address will not be published. Required fields are marked *