Name: Глубокое обучение на PyTorch: средний уровень
Rating: 4.8197781885397415 (2164 reviews)

Описание курса

Изучите глубокое обучение

Глубокое обучение — это быстро развивающаяся область искусственного интеллекта, которая произвела революцию в машинном обучении, открыв путь к прорывам в таких сферах, как компьютерное зрение, обработка естественного языка и распознавание речи. Последние достижения в области генеративного ИИ, включая генераторы изображений и разговорные чат-боты, вывели глубокие модели машинного обучения в центр внимания общественности. Начните изучать, как работает глубокое обучение, и уже сегодня научитесь самостоятельно обучать глубокие модели.

Используйте PyTorch — самый Python-ориентированный способ заниматься глубоким обучением

PyTorch — это мощный и гибкий фреймворк для глубокого обучения, который позволяет исследователям и практикам легко создавать и обучать нейронные сети. PyTorch, любимый Python-разработчиками по всему миру, предлагает большую гибкость и интуитивно понятный способ реализации концепций глубокого обучения.

Обучайте устойчивые модели глубокого обучения

Этот курс по глубокому обучению с PyTorch разработан, чтобы дать вам всестороннее понимание фундаментальных концепций и методов глубокого обучения, а также вооружить вас практическими навыками для реализации различных концепций нейронных сетей. Вы освоите архитектуры с несколькими входами и несколькими выходами. Вы узнаете, как предотвращать проблемы исчезающих и взрывающихся градиентов с помощью ненасыщающих активаций, пакетной нормализации и правильной инициализации весов. Вы сможете уменьшить переобучение с помощью регуляризации и dropout. Наконец, вы узнаете, как ускорить процесс обучения с помощью планирования скорости обучения.

Создавайте модели изображений и последовательностей

Вы познакомитесь с двумя специализированными архитектурами нейронных сетей: Сверточные нейронные сети (CNN) для данных изображений и рекуррентные нейронные сети (RNN) для последовательных данных, таких как временные ряды или текст. Вы поймёте их преимущества и сможете применять их в задачах классификации изображений и прогнозирования временных рядов.

К концу курса вы получите знания и уверенность, чтобы эффективно обучать и оценивать собственные модели глубокого обучения для широкого спектра задач.

Предварительные требования

Introduction to Deep Learning with PyTorch

Программа

Структура курса

Обучение устойчивых нейронных сетей

Научитесь обучать нейронные сети надёжными методами. В этой главе вы будете использовать объектно-ориентированное программирование для определения наборов данных и моделей в PyTorch, а также освежите знания об обучении и оценке нейронных сетей. Вы познакомитесь с различными оптимизаторами и освоите техники, которые помогают справляться с проблемой нестабильных градиентов — одной из самых распространённых трудностей при обучении нейронных сетей.

Начать главу

Изображения и сверточные нейронные сети

Обучите нейронные сети решать задачи классификации изображений. В этой главе вы узнаете, как работать с изображениями в PyTorch, и освоите сверточные нейронные сети (CNN). Вы будете практиковаться в обучении и оценке классификатора изображений, а также узнаете, как улучшить качество модели с помощью аугментации данных.

Начать главу

Последовательности и рекуррентные нейронные сети

Создайте и обучите рекуррентные нейронные сети (RNN) для обработки последовательных данных — временных рядов, текстов или аудио. Вы изучите две наиболее популярные рекуррентные архитектуры: сети с долгой краткосрочной памятью (LSTM) и управляемые рекуррентные блоки (GRU), а также научитесь подготавливать последовательные данные для обучения моделей. Полученные навыки вы закрепите, обучив и оценив рекуррентную модель для прогнозирования потребления электроэнергии.

Начать главу

Архитектуры с несколькими входами и несколькими выходами

Создайте модели с несколькими входами и несколькими выходами, которые справляются с задачами, требующими более одного входа или генерирующими несколько выходов. Вы изучите, как проектировать и обучать такие модели в PyTorch, а также подробно разберёте важную тему взвешивания функций потерь в моделях с несколькими выходами. Это предполагает понимание того, как балансировать значимость различных задач при одновременном обучении модели нескольким из них.