Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Vereisten
Lesprogramma
Cursusoverzicht
1
Robuuste neurale netwerken trainen
Leer hoe je neurale netwerken op een robuuste manier traint. In dit hoofdstuk gebruik je objectgeoriënteerd programmeren om PyTorch-datasets en -modellen te definiëren en fris je je kennis op over het trainen en evalueren van neurale netwerken. Je maakt ook kennis met verschillende optimizers en gaat tot slot aan de slag met technieken die helpen de veelvoorkomende problemen van onstabiele gradiënten bij het trainen van neurale netwerken te beperken.
- PyTorch en objectgeoriënteerd programmeren50 XP
- PyTorch-gegevensset100 XP
- PyTorch DataLoader100 XP
- PyTorch-model100 XP
- Optimizers, training en evaluatie50 XP
- Trainingslus100 XP
- Optimizers100 XP
- Modelevaluatie100 XP
- Verkokende en exploderende gradiënten50 XP
- Initialisatie en activatie100 XP
- Activaties: ReLU vs. ELU100 XP
- Batch-normalisatie100 XP
2
Beelden & Convolutional Neural Networks
Train neurale netwerken om beeldclassificatietaken op te lossen. In dit hoofdstuk leer je hoe je beelddata in PyTorch verwerkt en ga je aan de slag met convolutional neural networks (CNN’s). Je oefent met het trainen en evalueren van een beeldclassificatiemodel en leert hoe je de modelprestaties verbetert met data-augmentatie.
3
Reeksen & Recurrent Neural Networks
Bouw en train recurrente neurale netwerken (RNN’s) voor het verwerken van sequentiële data zoals tijdreeksen, tekst of audio. Je leert over de twee populairste recurrente architecturen, Long Short-Term Memory (LSTM) en Gated Recurrent Unit (GRU), en hoe je sequentiële data voorbereidt voor training. Je oefent je vaardigheden door een recurrent model te trainen en te evalueren om het elektriciteitsverbruik te voorspellen.
4
Architecturen met meerdere inputs en outputs
Bouw modellen met meerdere inputs en outputs, en laat zien hoe ze taken aankunnen die meer dan één invoer vereisen of meerdere uitvoer genereren. Je onderzoekt hoe je deze modellen ontwerpt en traint met PyTorch en verdiept je in het cruciale onderwerp van verliesweging in multi-outputmodellen. Dit houdt in dat je leert hoe je het belang van verschillende taken in balans brengt wanneer je een model traint om meerdere taken tegelijk uit te voeren.
Gevorderde Deep Learning met PyTorch
Cursus
voltooid
