After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis 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
Program kursu
Plan kursu
1
Trenowanie solidnych sieci neuronowych
Naucz się trenować sieci neuronowe w solidny i niezawodny sposób. W tym rozdziale wykorzystasz programowanie obiektowe do definiowania zbiorów danych i modeli w PyTorch oraz odświeżysz wiedzę na temat trenowania i oceny sieci neuronowych. Zapoznasz się też z różnymi optymalizatorami, a na koniec poznasz techniki pozwalające radzić sobie z problemem niestabilnych gradientów – zjawiskiem powszechnym podczas trenowania sieci neuronowych.
- PyTorch i programowanie obiektowe50 XP
- Zbiór danych PyTorch100 XP
- PyTorch DataLoader100 XP
- Model PyTorch100 XP
- Optymalizatory, trening i ewaluacja50 XP
- Pętla treningowa100 XP
- Optymalizatory100 XP
- Ewaluacja modelu100 XP
- Znikające i eksplodujące gradienty50 XP
- Inicjalizacja i aktywacje100 XP
- Funkcje aktywacji: ReLU a ELU100 XP
- Normalizacja wsadowa100 XP
2
Obrazy i konwolucyjne sieci neuronowe
Trenuj sieci neuronowe do rozwiązywania zadań klasyfikacji obrazów. W tym rozdziale nauczysz się pracować z danymi obrazowymi w PyTorch i poznasz konwolucyjne sieci neuronowe (CNN). Przećwiczysz trenowanie i ocenę klasyfikatora obrazów, a także dowiesz się, jak poprawić wydajność modelu dzięki augmentacji danych.
3
Sekwencje i rekurencyjne sieci neuronowe
Buduj i trenuj rekurencyjne sieci neuronowe (RNN) do przetwarzania danych sekwencyjnych, takich jak szeregi czasowe, tekst czy audio. Poznasz dwie najpopularniejsze architektury rekurencyjne – sieci Long Short-Term Memory (LSTM) i Gated Recurrent Unit (GRU) – oraz nauczysz się przygotowywać dane sekwencyjne do trenowania modeli. Przećwiczysz zdobyte umiejętności, trenując i oceniając model rekurencyjny do przewidywania zużycia energii elektrycznej.
4
Architektury wielowejściowe i wielowyjściowe
Buduj modele wielowejściowe i wielowyjściowe, które potrafią obsługiwać zadania wymagające więcej niż jednego wejścia lub generujące wiele wyjść. Dowiesz się, jak projektować i trenować takie modele w PyTorch, a także zgłębisz kluczowy temat ważenia straty w modelach wielowyjściowych. Zrozumiesz, jak balansować znaczenie poszczególnych zadań podczas trenowania modelu wykonującego wiele zadań jednocześnie.
Głębokie uczenie z PyTorch – poziom średnio zaawansowany
Kurs
ukończony
