All Projects → deepmipt → Dlschl

deepmipt / Dlschl

Projects that are alternatives of or similar to Dlschl

Codeinblogs
Stars: ✭ 100 (-2.91%)
Mutual labels:  jupyter-notebook
Mediumposts
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Storytelling With Data
Plots from the book "Storytelling with data" implementation using Python and matplotlib
Stars: ✭ 100 (-2.91%)
Mutual labels:  jupyter-notebook
Pycebox
⬛ Python Individual Conditional Expectation Plot Toolbox
Stars: ✭ 101 (-1.94%)
Mutual labels:  jupyter-notebook
Resources Intel Edge Ai Scholarship 2020
A place to collect resources shared bythe community of Intel® Edge AI Foundation course
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Irkernel
R kernel for Jupyter
Stars: ✭ 1,379 (+1238.83%)
Mutual labels:  jupyter-notebook
Style Tranfer
Implementation of original style transfer paper (Gatys et al)
Stars: ✭ 101 (-1.94%)
Mutual labels:  jupyter-notebook
Keras Openpose Reproduce
Keras implementation of Realtime Multi-Person Pose Estimation
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Hands On Data Science For Marketing
Hands-On Data Science for Marketing, published by Packt
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Rnn Robinhood
Automated trading on Robinhood via RNN
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Stylegan2 Tensorflow 2.x
Unofficial implementation of StyleGAN2 using TensorFlow 2.x.
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Rasalit
Visualizations and helpers to improve and debug machine learning models for Rasa Open Source
Stars: ✭ 101 (-1.94%)
Mutual labels:  jupyter-notebook
Hackermath
Introduction to Statistics and Basics of Mathematics for Data Science - The Hacker's Way
Stars: ✭ 1,380 (+1239.81%)
Mutual labels:  jupyter-notebook
Pythondataanalysiscookbook
Python Data Analysis Cookbook, published by Packt
Stars: ✭ 100 (-2.91%)
Mutual labels:  jupyter-notebook
Hic Data Analysis Bootcamp
Workshop on measuring, analyzing, and visualizing the 3D genome with Hi-C data.
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook
Object detection demo live
This is the code for the "How to do Object Detection with OpenCV" live session by Siraj Raval on Youtube
Stars: ✭ 101 (-1.94%)
Mutual labels:  jupyter-notebook
Codesearchnet
Datasets, tools, and benchmarks for representation learning of code.
Stars: ✭ 1,378 (+1237.86%)
Mutual labels:  jupyter-notebook
Models
DLTK Model Zoo
Stars: ✭ 101 (-1.94%)
Mutual labels:  jupyter-notebook
Dataminingnotesandpractice
记录我学习数据挖掘过程的笔记和见到的奇技,持续更新~
Stars: ✭ 103 (+0%)
Mutual labels:  jupyter-notebook
Keras Oneclassanomalydetection
[5 FPS - 150 FPS] Learning Deep Features for One-Class Classification (AnomalyDetection). Corresponds RaspberryPi3. Convert to Tensorflow, ONNX, Caffe, PyTorch. Implementation by Python + OpenVINO/Tensorflow Lite.
Stars: ✭ 102 (-0.97%)
Mutual labels:  jupyter-notebook

Школа Глубокого Обучения (DLSchool)

Лаборатория нейронных систем и глубокого обучения МФТИ

Новый репозиторий: https://github.com/DLSchool/dlschool

Официальный сайт Школы

YouTube-канал Школы

Что?

“Школа глубокого обучения” – кружок, рассчитанный на старшеклассников, интересующихся программированием и математикой. Занятия будут вести студенты Физтех-школы прикладной математики и информатики Физтеха. Цель курса – познакомить учеников с основными принципами глубокого обучения в интерактивном формате и на примере практических задач.

Когда?

Школа стартовала 28 октября (2017). Планируемый объем курса – 18 занятий (1 занятие в неделю).

Где?

Очные занятия будут приходить по адресу г. Москва, Климентовский переулок, д. 1, стр. 1 (Московский корпус МФТИ) по субботам в 17:00.

Также будет доступно онлайн обучение с записями лекций и проверкой заданий.

На кого рассчитаны занятия?

Школа рассчитана на учеников старших классов, которые умеют программировать, хорошо знают математику и любят изучать что-то новое. Огромным плюсом будет знание языка Python.

Программа занятий (первая часть курса)

№ занятия Содержание занятия Тип занятия
1 Введение. Искусственный интеллект, нейросети и глубокое обучение лекция
1 Основы языка Python семинар
2 Введение в машинное обучение лекция
2 Библиотеки Numpy и Matplotlib семинар
3 Искусственные нейронные сети. Формальная модель нейрона. Градиентный спуск интерактивная лекция
4 Однослойная нейронная сеть. Обучение многослойных нейронных сетей (DNN). Метод обратного распространения ошибки. Инициализация; переобучение нейросетей, регуляризация интерактивная лекция
5 Как правильно обучать нейросети. Формирование обучающей выборки. Виды функционала потерь. Батчи. Продвинутые методы оптимизации. интерактивная лекция
6 Задача классификации изображений. Проблема выделения признаков, фильтры. Функция свертки. Построение карт признаков лекция
7 Зоопарк сверточных нейросетей. Современные архитекутры свёрточных нейросетей, их плюсы и минусы лекция
8 Задачи детектирования и сегментации интерактивная лекция

Программа занятий (вторая часть курса)

№ занятия Содержание занятия Тип занятия
1 Введение в рекуррентные сети лекция
2 Векторные представления текстов. Word embeddings лекция
2 Работа с текстом. Примеры использования Word2Vec семинар
3 LSTM, GRU (part 1) лекция
3 LSTM, GRU (part 1) семинар
4 LSTM, GRU (part 2). Machine Translation лекция
4 LSTM, GRU (part 2). Machine Translation семинар
5 Автоэнкодеры интерактивная лекция
6 Генеративные состязательные сети. Часть 1 (GANs) интерактивная лекция
7 Генеративные состязательные сети. Часть 2 (GANs) интерактивная лекция
8 Введение в Reinforcement Learning лекция
8 Обучаем своего умного агента-игрока с помощью RL семинар
9 Бонус TBA

Как поступить?

Сейчас проект запускается в пилотном формате. Нам бы очень хотелось принять всех желающих, но в этом году мы сможем проводить семинары и принимать домашние задания у ограниченного количества человек.

Все материалы школы, включая домашние задания, будут размещены в открытом доступе.

Cсылка на форму регистрации

Note that the project description data, including the texts, logos, images, and/or trademarks, for each open source project belongs to its rightful owner. If you wish to add or remove any projects, please contact us at [email protected].