Курс по нейронным сетям: компьютерное зрение и практическое программирование

Курс предназначен для учеников от 14 лет, владеющих основами программирования на языке Python. В программе — применение нейронных сетей для решения прикладных задач компьютерного зрения и анализа данных.

Как устроены нейронные сети и как они обучаются

Вы познакомитесь с базовыми принципами работы искусственного нейрона и нейронных сетей. Узнаете, как происходит обучение моделей: от подбора весовых коэффициентов до использования активационных функций и алгоритмов оптимизации. Особое внимание уделено пониманию процесса прямого и обратного распространения ошибки.

Современные архитектуры нейросетей

В курсе рассматриваются ключевые архитектуры, широко используемые в практике:

• Полносвязные нейронные сети прямого распространения;
• Свёрточные нейронные сети (CNN) — основа современного компьютерного зрения.

Практическая работа на Python с TensorFlow, Keras и OpenCV

Курс сочетает теорию и практику: вы не только изучите основы, но и напишете реальные программы на Python с использованием библиотек TensorFlow и Keras. Будете работать с numpy для обработки данных и matplotlib для визуализации результатов.
Все практические задания можно выполнять в бесплатной облачной среде Google Colaboratory — без необходимости устанавливать сложное ПО.

Проектные задачи и прикладные приложения

В ходе курса вы реализуете проекты по:

• распознаванию рукописных цифр (MNIST);
• классификации моделей одежды (Fashion MNIST);
• анализу изображений (например, определение объектов на фото);
• анализу тональности текстов;
• автоматической генерации текста.

Работа с изображениями и распознаванием лиц

Вы освоите библиотеку OpenCV — её основные методы, аргументы и преобразования изображений. Познакомитесь с инструментами распознавания лиц: face-recognition и DeepFace, и научитесь применять их в реальных задачах.

Проектная деятельность

Курс включает завершающий проект, в рамках которого вы самостоятельно разработаете и обучите нейронную сеть для решения выбранной задачи — от подготовки данных до оценки качества модели.