Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Deep Learning lernen
Deep Learning ist ein sich rasch entwickelnder Bereich der künstlichen Intelligenz, der das maschinelle Lernen revolutioniert und Durchbrüche in Bereichen wie maschinelles Sehen, Verarbeitung natürlicher Sprache und Spracherkennung ermöglicht hat. Die jüngsten Fortschritte in der generativen KI, darunter Bildgeneratoren und Chatbots, haben Deep-Learning-Modelle ins Licht der Öffentlichkeit gerückt. Lerne noch heute, wie Deep Learning funktioniert und wie du selbst Deep-Learning-Modelle trainieren kannst.Verwende PyTorch, die Deep-Learning-Lösung für Python
PyTorch ist ein leistungsstarkes und flexibles Deep-Learning-Framework, mit dem Forschende und Experten ganz einfach neuronale Netze aufbauen und trainieren können. PyTorch wird von Python-Nutzern auf der ganzen Welt geliebt und bietet enorme Flexibilität und eine intuitive Möglichkeit, Deep-Learning-Konzepte zu implementieren.Robuste Deep Learning Modelle trainieren
Dieser Kurs in Deep Learning mit PyTorch vermittelt dir ein umfassendes Verständnis der grundlegenden Konzepte und Techniken des Deep Learning und verleiht dir die praktischen Fähigkeiten, verschiedene Konzepte neuronaler Netze zu implementieren. Du wirst dich mit Multi-Input- und Multi-Output-Architekturen befassen. Du lernst, wie du das Problem der verschwindenden und explodierenden Gradienten durch nicht sättigende Aktivierungen, Batch-Normalisierung und die richtige Initialisierung der Gewichte vermeidest. Mit Hilfe von Regularisierung und Dropout kannst du das Overfitting abmildern. Schließlich erfährst du, wie du den Trainingsprozess mit der Lernratenplanung beschleunigen kannst.Bild- und Sequenzmodelle erstellen
Du lernst zwei spezielle Architekturen für neuronale Netze kennen: Convolutional Neural Networks (CNNs) für Bilddaten und Recurrent Neural Networks (RNNs) für sequentielle Daten wie Zeitreihen oder Text. Du wirst ihre Vorteile verstehen und in der Lage sein, sie bei der Bildklassifikation und Zeitreihenvorhersage anzuwenden.Am Ende des Kurses wirst du das Wissen und das Selbstvertrauen haben, deine eigenen Deep-Learning-Modelle für eine Reihe von Anwendungen zu trainieren und zu evaluieren.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Training robuster neuronaler Netze
Lerne, wie du neuronale Netze auf robuste Weise trainierst. In diesem Kapitel wirst du objektorientierte Programmierung verwenden, um PyTorch-Datensätze und -Modelle zu definieren und dein Wissen über das Training und die Auswertung neuronaler Netze aufzufrischen. Du wirst außerdem verschiedene Optimierer kennenlernen und dich schließlich mit verschiedenen Techniken vertraut machen, die dabei helfen, die beim Training neuronaler Netze so häufig auftretenden Probleme instabiler Gradienten zu minimieren.
- PyTorch und objektorientierte Programmierung50 XP
- PyTorch-Dataset100 XP
- PyTorch DataLoader100 XP
- PyTorch-Modell100 XP
- Optimierer, Training und Bewertung50 XP
- Trainingsschleife100 XP
- Optimizer100 XP
- Modellevaluierung100 XP
- Verschwindende und explodierende Gradienten50 XP
- Initialisierung und Aktivierung100 XP
- Aktivierungen: ReLU vs. ELU100 XP
- Batch-Normalisierung100 XP
2
Bilder und Convolutional Neural Networks
Trainiere neuronale Netze zur Lösung von Bildklassifizierungsaufgaben. In diesem Kapitel lernst du, wie du Bilddaten in PyTorch verarbeitest und machst dich mit Convolutional Neural Networks (CNNs) vertraut. Du übst das Training und die Auswertung eines Bildklassifikators und lernst dabei, wie du die Modellleistung durch Data Augmentation verbessern kannst.
3
Sequenzen und rekurrente neuronale Netze
Erstelle und trainiere rekurrente neuronale Netze (RNNs) zur Verarbeitung sequenzieller Daten wie Zeitreihen, Text oder Audio. Du lernst die zwei beliebtesten rekurrenten Architekturen kennen: Long-Short Term Memory (LSTM) und Gated Recurrent Unit (GRU), sowie die Vorbereitung sequenzieller Daten für das Modelltraining. Du wirst deine Fähigkeiten üben, indem du ein rekurrentes Modell für die Vorhersage des Stromverbrauchs trainierst und auswertest.
4
Multi-Input- und Multi-Output-Architekturen
Entwickle Multi-Input- und Multi-Output-Modelle und lerne, wie sie Aufgaben bewältigen können, die mehr als einen Input benötigen oder mehrere Outputs generieren. Du wirst lernen, wie du diese Modelle mit PyTorch entwickelst und trainierst, und dich mit dem wichtigen Thema der Verlustgewichtung in Multi-Output-Modellen beschäftigen. Dabei geht es darum zu verstehen, wie man die Bedeutung verschiedener Aufgaben ausbalanciert, wenn ein Modell mehrere Aufgaben gleichzeitig ausführen soll.
Deep Learning mit PyTorch für Fortgeschrittene
Kurs
abgeschlossen
