Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Impara il deep learning
Il deep learning è un campo dell'intelligenza artificiale che sta cambiando velocemente e ha rivoluzionato il mondo dell'apprendimento automatico, portando a grandi progressi in cose come la visione artificiale, l'elaborazione del linguaggio naturale e il riconoscimento vocale. Gli ultimi progressi nell'intelligenza artificiale generativa, come i generatori di immagini e i chatbot conversazionali, hanno portato alla ribalta i modelli di deep learning. Inizia oggi stesso a scoprire come funziona il deep learning e come addestrare i modelli deep learning.Usa PyTorch, il modo più Pythonico per fare deep learning
PyTorch è un framework di deep learning potente e flessibile che permette a ricercatori e professionisti di creare e addestrare reti neurali con facilità. Amato dai Pythonisti di tutto il mondo, PyTorch offre tanta flessibilità e un modo intuitivo per mettere in pratica i concetti del deep learning.Addestra modelli di deep learning robusti
Questo corso sul deep learning con PyTorch è pensato per darti una comprensione completa dei concetti e delle tecniche fondamentali del deep learning e per fornirti le competenze pratiche necessarie per implementare vari concetti di reti neurali. Imparerai a gestire le architetture multi-input e multi-output. Imparerai come evitare i problemi di gradienti che scompaiono o esplodono usando attivazioni non saturanti, normalizzazione batch e una corretta inizializzazione dei pesi. Potrai ridurre l'overfitting usando la regolarizzazione e il dropout. Alla fine, capirai come accelerare il processo di formazione con la pianificazione della velocità di apprendimento.Crea modelli di immagini e sequenze
Imparerai a conoscere due tipi di reti neurali: Reti neurali convoluzionali (CNN) per i dati immagine e reti neurali ricorrenti (RNN) per dati sequenziali come serie temporali o testo. Capirai i loro vantaggi e potrai usarli per classificare immagini e prevedere serie temporali.Alla fine del corso, avrai le conoscenze e la sicurezza necessarie per addestrare e valutare in modo efficace i tuoi modelli di deep learning per un sacco di applicazioni.
Prerequisiti
Programma
Struttura del corso
1
Addestrare reti neurali robuste
Impara ad addestrare reti neurali in modo robusto. In questo capitolo userai la programmazione orientata agli oggetti per definire dataset e modelli in PyTorch e ripasserai come addestrare e valutare reti neurali. Inoltre, conoscerai diversi ottimizzatori e, infine, affronterai varie tecniche che aiutano a mitigare i problemi di gradienti instabili, così comuni nell'addestramento delle reti neurali.
- PyTorch e programmazione orientata agli oggetti50 XP
- Dataset PyTorch100 XP
- PyTorch DataLoader100 XP
- Modello PyTorch100 XP
- Ottimizzatori, training e valutazione50 XP
- Training loop100 XP
- Ottimizzatori100 XP
- Valutazione del modello100 XP
- Gradienti che svaniscono ed esplodono50 XP
- Inizializzazione e attivazione100 XP
- Attivazioni: ReLU vs. ELU100 XP
- Batch Normalization100 XP
2
Immagini e Convolutional Neural Networks
Addestra reti neurali per risolvere compiti di classificazione di immagini. In questo capitolo imparerai a gestire dati di immagini in PyTorch e prenderai confidenza con le convolutional neural networks (CNN). Metterai in pratica l’addestramento e la valutazione di un classificatore di immagini, imparando anche a migliorare le prestazioni del modello con la data augmentation.
3
Sequenze e Recurrent Neural Networks
Crea e addestra recurrent neural networks (RNN) per elaborare dati sequenziali come serie temporali, testo o audio. Imparerai le due architetture ricorrenti più diffuse, Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), e come preparare i dati sequenziali per l’addestramento del modello. Metterai in pratica le competenze addestrando e valutando un modello ricorrente per prevedere i consumi di elettricità.
4
Architetture multi-input e multi-output
Crea modelli multi-input e multi-output, mostrando come possano gestire compiti che richiedono più di un input o generano più output. Esplorerai come progettare e addestrare questi modelli con PyTorch e approfondirai il tema cruciale del bilanciamento delle perdite nei modelli multi-output. Ciò implica capire come bilanciare l’importanza dei diversi compiti quando si addestra un modello a svolgere più compiti contemporaneamente.
Deep Learning intermedio con PyTorch
Corso
completato
