After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Înțelegerea puterii Deep Learning
Deep learning este peste tot: în camerele smartphone-urilor, asistenții vocali și mașinile autonome. A ajutat chiar și la descoperirea structurilor proteinelor și la învingerea oamenilor în jocul Go. Descoperă această tehnologie puternică și învață cum să o valorifici folosind PyTorch, una dintre cele mai populare biblioteci de deep learning.Antrenează-ți prima rețea neuronală
Mai întâi, abordează diferența dintre deep learning și machine learning „clasic”. Veți învăța despre procesul de antrenare al unei rețele neuronale și cum să scrieți o buclă de antrenare. Pentru a face acest lucru, vei crea funcții de pierdere pentru probleme de regresie și clasificare și vei folosi PyTorch pentru a calcula derivatele acestora.Evaluează și îmbunătățește-ți modelul
În a doua jumătate, învață despre diferiții hiperparametri pe care îi poți ajusta pentru a-ți îmbunătăți modelul. După ce vei învăța despre diferitele componente ale unei rețele neuronale, vei putea crea arhitecturi mai mari și mai complexe. Pentru a măsura performanțele modelului tău, vei folosi TorchMetrics, o bibliotecă PyTorch pentru evaluarea modelelor.La finalizarea cursului, vei putea folosi PyTorch pentru a rezolva probleme de clasificare și regresie atât pe date tabulare, cât și pe imagini, utilizând deep learning. O competență esențială pentru profesioniștii cu experiență în domeniul datelor care doresc să-și avanseze cariera.
Cerințe prealabile
Curriculum
Structura cursului
1
Introducere în PyTorch, o bibliotecă de Deep Learning
Mașini autonome, smartphone-uri, motoare de căutare... Învățarea profundă este acum peste tot. Înainte de a construi modele complexe, te vei familiariza cu PyTorch, un framework de deep learning. Vei învăța cum să manipulezi tensori, să creezi structuri de date PyTorch și să construiești prima ta rețea neuronală în PyTorch folosind straturi liniare.
- Introducere în deep learning cu PyTorch50 XP
- Primii pași cu tensorii PyTorch100 XP
- Verificarea și adunarea tensorilor100 XP
- Rețele neuronale și straturi50 XP
- Rețea cu strat liniar100 XP
- Înțelegerea ponderilor50 XP
- Straturi ascunse și parametri50 XP
- Prima ta rețea neuronală100 XP
- Stivuirea straturilor liniare100 XP
- Numărarea parametrilor100 XP
2
Arhitectura rețelelor neuronale și hiperparametrii
Pentru a antrena o rețea neuronală în PyTorch, va trebui mai întâi să înțelegi componente suplimentare, precum funcțiile de activare și funcțiile de pierdere. Vei descoperi că antrenarea unei rețele presupune minimizarea funcției de pierdere, ceea ce se realizează prin calculul gradienților. Vei învăța cum să folosești acești gradienți pentru a actualiza parametrii modelului tău.
3
Antrenarea unei rețele neuronale cu PyTorch
Acum că ai învățat componentele esențiale ale unei rețele neuronale, o vei antrena folosind o buclă de antrenament. Vei explora probleme potențiale precum dispariția gradienților și vei învăța strategii pentru a le rezolva, cum ar fi funcții de activare alternative și ajustarea ratei de învățare și a momentului.
4
Evaluarea și îmbunătățirea modelelor
Antrenarea unui model de deep learning este o artă, iar pentru a ne asigura că modelul este antrenat corect, trebuie să urmărim anumite metrici în timpul antrenamentului, precum pierderea sau acuratețea. Vei învăța cum să calculezi astfel de metrici și cum să reduci supraadaptarea.
Introducere în Deep Learning cu PyTorch
Curs
finalizat
