Kurs
Głębokie uczenie z PyTorch – poziom średnio zaawansowany
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 06.2025
PyTorchArtificial Intelligence4 godz.15 filmów51 Ćwiczeń4,050 XP27,974Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności i fakt, 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
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.
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
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 i fakt, 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.