Curs
Deep Learning intermediar cu PyTorch
IntermediarNivel de competențe
Actualizat 06.2025
PyTorchArtificial Intelligence4 h15 videoclipuri51 Exerciții4,050 XP27,511Certificat de realizare
Creează-ți contul gratuit
Continuă cu GoogleArată mai multe opțiunisau
Continuând, accepți Termenii de utilizare, Politica de confidențialitate și faptul că datele tale sunt stocate în SUA.
Îndrăgit de cursanți din mii de companii
Formare pentru o echipă?
Încearcă pentru afaceriDescrierea 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
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.
Deep Learning intermediar cu PyTorch
Curs finalizat
Obține diploma de absolvire
Adaugă această acreditare la profilul tău LinkedIn, CV sau rezumatDistribuie pe rețelele de socializare și în evaluarea ta de performanțăÎnscrie-te acum
Alătură-te celor peste 19 de milioane de cursanți și începe Deep Learning intermediar cu PyTorch astăzi!
Creează-ți contul gratuit
Continuă cu GoogleArată mai multe opțiunisau
Continuând, accepți Termenii de utilizare, Politica de confidențialitate și faptul că datele tale sunt stocate în SUA.
Dezvoltați-vă abilitățile de gestionare a datelor cu DataCamp pentru mobil
Fă progrese din mers cu cursurile noastre mobile și provocările zilnice de programare de 5 minute.