After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
사전 요구 사항
커리큘럼
코스 개요
1
견고한 신경망 학습
신경망을 견고하게 학습하는 방법을 배워요. 이 챕터에서는 객체 지향 프로그래밍으로 PyTorch 데이터셋과 모델을 정의하고, 신경망의 학습과 평가에 대한 지식을 복습합니다. 또한 다양한 옵티마이저를 익히고, 마지막으로 신경망 학습에서 흔히 발생하는 불안정한 그래디언트 문제를 완화하는 여러 기법을 다룹니다.
2
이미지와 Convolutional Neural Networks
이미지 분류 과제를 해결하도록 신경망을 학습시켜 보세요. 이 챕터에서는 PyTorch에서 이미지 데이터를 다루는 법과 Convolutional Neural Networks(CNNs)를 이해합니다. 데이터 증강으로 모델 성능을 향상하는 방법을 배우면서 이미지 분류기를 학습하고 평가하는 연습을 합니다.
3
시퀀스와 Recurrent Neural Networks
시계열, 텍스트, 오디오 같은 순차 데이터를 처리하기 위해 Recurrent Neural Networks(RNNs)를 구축하고 학습하세요. 가장 널리 쓰이는 두 가지 순환 구조인 Long-Short Term Memory(LSTM)와 Gated Recurrent Unit(GRU) 네트워크를 배우고, 모델 학습을 위한 순차 데이터 준비 방법을 익힙니다. 전력 소비를 예측하는 순환 모델을 학습하고 평가하며 실습합니다.
4
멀티 입력 및 멀티 출력 아키텍처
둘 이상의 입력이 필요하거나 여러 출력을 생성하는 작업을 처리할 수 있는 멀티 입력·멀티 출력 모델을 구축해 봅니다. PyTorch로 이러한 모델을 설계하고 학습하는 방법을 탐구하고, 멀티 출력 모델에서 매우 중요한 손실 가중치 주제도 깊이 있게 다룹니다. 이는 하나의 모델이 여러 작업을 동시에 수행하도록 학습할 때 각 작업의 중요도를 균형 있게 조정하는 방법을 이해하는 것을 포함합니다.
PyTorch로 배우는 Intermediate Deep Learning
코스
완료
