Kurs
Głębokie uczenie z PyTorch – poziom średnio zaawansowany
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 06.2025
PyTorchArtificial Intelligence4 godz.15 filmów51 Ćwiczeń4,050 XP27,530Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Poznaj głębokie uczenie się
Deep learning to dynamicznie rozwijająca się dziedzina sztucznej inteligencji, która zrewolucjonizowała uczenie maszynowe, umożliwiając przełomy w takich obszarach jak widzenie komputerowe, przetwarzanie języka naturalnego i rozpoznawanie mowy. Najnowsze osiągnięcia w dziedzinie generatywnej AI, w tym generatory obrazów i konwersacyjne chatboty, sprawiły, że głębokie modele uczenia maszynowego znalazły się w centrum uwagi opinii publicznej. Zacznij już dziś uczyć się, jak działa deep learning i jak samodzielnie trenować głębokie modele.Użyj PyTorch, najbardziej pythonicznego sposobu na deep learning
PyTorch to potężny i elastyczny framework do deep learningu, który umożliwia badaczom i praktykom łatwe tworzenie oraz trenowanie sieci neuronowych. Uwielbiany przez miłośników Pythona na całym świecie, PyTorch oferuje dużą elastyczność i intuicyjny sposób wdrażania koncepcji deep learningu.Trenuj odporne modele głębokiego uczenia
Ten kurs głębokiego uczenia z PyTorch został zaprojektowany tak, aby zapewnić Ci kompleksowe zrozumienie podstawowych pojęć i technik głębokiego uczenia oraz wyposażyć Cię w praktyczne umiejętności potrzebne do implementacji różnych koncepcji sieci neuronowych. Poznasz architektury wielowejściowe i wielowyjściowe. Nauczysz się, jak zapobiegać problemom z zanikającymi i eksplodującymi gradientami, wykorzystując niesaturujące funkcje aktywacji, normalizację wsadową i odpowiednią inicjalizację wag. Będziesz w stanie ograniczyć overfitting, stosując regularizację i dropout. Wreszcie dowiesz się, jak przyspieszyć proces treningu dzięki planowaniu tempa uczenia się.Twórz modele obrazów i sekwencji
Poznasz dwie wyspecjalizowane architektury sieci neuronowych: Konwolucyjne sieci neuronowe (CNN) do danych obrazowych oraz rekurencyjne sieci neuronowe (RNN) do danych sekwencyjnych, takich jak szeregi czasowe lub tekst. Zrozumiesz ich zalety i będziesz w stanie zastosować je w zadaniach klasyfikacji obrazów oraz prognozowania szeregów czasowych.Po ukończeniu kursu będziesz mieć wiedzę i pewność siebie, aby skutecznie trenować i oceniać własne modele deep learning do różnych zastosowań.
Wymagania wstępne
Introduction to Deep Learning with PyTorch1
Training Robust Neural Networks
Learn how to train neural networks in a robust way. In this chapter, you will use object-oriented programming to define PyTorch datasets and models and refresh your knowledge of training and evaluating neural networks. You will also get familiar with different optimizers and, finally, get to grips with various techniques that help mitigate the problems of unstable gradients so ubiquitous in neural nets training.
2
Images & Convolutional Neural Networks
Train neural networks to solve image classification tasks. In this chapter, you will learn how to handle image data in PyTorch and get to grips with convolutional neural networks (CNNs). You will practice training and evaluating an image classifier while learning about how to improve the model performance with data augmentation.
3
Sequences & Recurrent Neural Networks
Build and train recurrent neural networks (RNNs) for processing sequential data such as time series, text, or audio. You will learn about the two most popular recurrent architectures, Long-Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks, as well as how to prepare sequential data for model training. You will practice your skills by training and evaluating a recurrent model for predicting electricity consumption.
4
Multi-Input & Multi-Output Architectures
Build multi-input and multi-output models, demonstrating how they can handle tasks requiring more than one input or generating multiple outputs. You will explore how to design and train these models using PyTorch and delve into the crucial topic of loss weighting in multi-output models. This involves understanding how to balance the importance of different tasks when training a model to perform multiple tasks simultaneously.
Głębokie uczenie z PyTorch – poziom średnio zaawansowany
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Głębokie uczenie z PyTorch – poziom średnio zaawansowany już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.