After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Învață Deep Learning
Deep learning este un domeniu al inteligenței artificiale aflat într-o evoluție rapidă, care a revoluționat domeniul învățării automate, permițând progrese majore în domenii precum viziunea computerizată, procesarea limbajului natural și recunoașterea vorbirii. Cele mai recente progrese în AI generativă, inclusiv generatoarele de imagini și chatboturile conversaționale, au adus în prim-plan modelele profunde de învățare automată. Începe să înveți cum funcționează deep learning și cum să antrenezi singur modele deep chiar de azi.Folosește PyTorch, cea mai Pythonică modalitate de a face deep learning
PyTorch este un framework puternic și flexibil de deep learning care le permite cercetătorilor și practicienilor să construiască și să antreneze rețele neuronale cu ușurință. Iubit de pasionații de Python din întreaga lume, PyTorch oferă multă flexibilitate și o modalitate intuitivă de a implementa conceptele de deep learning.Antrenează modele robuste de deep learning
Acest curs de deep learning cu PyTorch este conceput pentru a vă oferi o înțelegere cuprinzătoare a conceptelor și tehnicilor fundamentale ale deep learning-ului și pentru a vă echipa cu abilitățile practice necesare pentru a implementa diverse concepte de rețele neuronale. Vei înțelege arhitecturile cu intrări multiple și ieșiri multiple. Vei învăța cum să previi problemele de dispariție și explozie a gradientelor folosind activări nesaturante, normalizare pe lot și inițializarea corectă a ponderilor. Veți putea reduce overfitting-ul folosind regularizarea și dropout-ul. În cele din urmă, vei ști cum să accelerezi procesul de antrenare cu programarea ratei de învățare.Construiește modele de imagini și secvențe
Vei face cunoștință cu două arhitecturi specializate de rețele neuronale: Rețele neuronale convoluționale (CNN) pentru date de imagine și rețele neuronale recurente (RNN) pentru date secvențiale, precum seriile temporale sau textul. Vei înțelege avantajele lor și vei putea să le implementezi în sarcini de clasificare a imaginilor și de predicție a seriilor temporale.Până la finalul cursului, vei avea cunoștințele și încrederea necesare pentru a antrena și evalua în mod robust propriile modele de deep learning pentru o gamă largă de aplicații.
Cerințe prealabile
Curriculum
Structura cursului
1
Antrenarea rețelelor neuronale robuste
Învață cum să antrenezi rețele neuronale într-un mod robust. În acest capitol, vei folosi programarea orientată pe obiecte pentru a defini seturi de date și modele PyTorch și îți vei consolida cunoștințele despre antrenarea și evaluarea rețelelor neuronale. Te vei familiariza, de asemenea, cu diferiți optimizatori și vei descoperi diverse tehnici care ajută la atenuarea problemelor gradienților instabili, atât de frecvente în antrenarea rețelelor neuronale.
- PyTorch și programarea orientată pe obiecte50 XP
- Set de date PyTorch100 XP
- PyTorch DataLoader100 XP
- Model PyTorch100 XP
- Optimizatori, antrenare și evaluare50 XP
- Bucla de antrenament100 XP
- Optimizatori100 XP
- Evaluarea modelului100 XP
- Gradienti care dispar și gradienti care explodează50 XP
- Inițializare și activare100 XP
- Funcții de activare: ReLU vs. ELU100 XP
- Normalizarea pe loturi (Batch Normalization)100 XP
2
Imagini și rețele neuronale convoluționale
Antrenează rețele neuronale pentru a rezolva sarcini de clasificare a imaginilor. În acest capitol, vei învăța cum să lucrezi cu date de tip imagine în PyTorch și te vei familiariza cu rețelele neuronale convoluționale (CNN). Vei exersa antrenarea și evaluarea unui clasificator de imagini, explorând totodată cum se poate îmbunătăți performanța modelului prin augmentarea datelor.
3
Secvențe și rețele neuronale recurente
Construiește și antrenează rețele neuronale recurente (RNN) pentru procesarea datelor secvențiale, precum serii de timp, text sau audio. Vei învăța despre cele mai populare două arhitecturi recurente – Long Short-Term Memory (LSTM) și Gated Recurrent Unit (GRU) – precum și cum să pregătești datele secvențiale pentru antrenarea modelului. Îți vei pune în practică abilitățile antrenând și evaluând un model recurent pentru predicția consumului de energie electrică.
4
Arhitecturi cu intrări și ieșiri multiple
Construiește modele cu intrări și ieșiri multiple, demonstrând cum pot gestiona sarcini care necesită mai multe intrări sau generează mai multe ieșiri. Vei explora cum să proiectezi și să antrenezi aceste modele folosind PyTorch și vei aprofunda subiectul esențial al ponderării funcției de pierdere în modelele cu ieșiri multiple. Aceasta implică înțelegerea modului în care se echilibrează importanța diferitelor sarcini atunci când un model este antrenat să le execute simultan.
Deep Learning intermediar cu PyTorch
Curs
finalizat
