Name: Введение в глубокое обучение с PyTorch
Rating: 4.818144915770246 (4927 reviews)

Описание курса

Понимание силы глубокого обучения

Глубокое обучение повсюду: в камерах смартфонов, голосовых помощниках и беспилотных автомобилях. Это даже помогло открыть структуры белков и обыграть людей в игре го. Откройте для себя эту мощную технологию и узнайте, как использовать её с помощью PyTorch — одной из самых популярных библиотек глубокого обучения.

Обучите свою первую нейронную сеть

Сначала разберитесь в различиях между deep learning и «классическим» machine learning. Вы узнаете о процессе обучения нейронной сети и о том, как написать цикл обучения. Для этого вы создадите функции потерь для задач регрессии и классификации и будете использовать PyTorch для вычисления их производных.

Оцените и улучшите свою модель

Во второй части вы узнаете о различных гиперпараметрах, которые можно настраивать для улучшения вашей модели. После изучения различных компонентов нейронной сети вы сможете создавать более крупные и сложные архитектуры. Чтобы оценить производительность вашей модели, вы будете использовать TorchMetrics — библиотеку PyTorch для оценки моделей.

По завершении курса вы сможете использовать PyTorch для решения задач классификации и регрессии как на табличных данных, так и на изображениях с помощью глубокого обучения. Ключевая компетенция для опытных специалистов по данным, стремящихся развивать свою карьеру.

Предварительные требования

Supervised Learning with scikit-learn Introduction to NumPy Python Toolbox

Программа

План курса

Введение в PyTorch — библиотеку для глубокого обучения

Беспилотные автомобили, смартфоны, поисковые системы — глубокое обучение стало частью повседневной жизни. Прежде чем приступить к созданию сложных моделей, вы освоите PyTorch — фреймворк для глубокого обучения. Вы научитесь работать с тензорами, создавать структуры данных PyTorch и построите свою первую нейронную сеть с линейными слоями.

Начать главу

Архитектура нейронной сети и гиперпараметры

Чтобы обучить нейронную сеть в PyTorch, нужно разобраться в её ключевых компонентах: функциях активации и функциях потерь. Вы узнаете, что обучение сети сводится к минимизации функции потерь, которая выполняется с помощью вычисления градиентов. Вы научитесь использовать эти градиенты для обновления параметров модели.

Начать главу

Обучение нейронной сети с помощью PyTorch

Изучив основные компоненты нейронной сети, вы приступите к её обучению с помощью цикла обучения. Вы познакомитесь с возможными проблемами, такими как затухание градиентов, и способами их устранения: альтернативными функциями активации, а также настройкой скорости обучения и импульса.

Начать главу

Оценка и улучшение моделей

Обучение модели глубокого обучения — это настоящее искусство. Чтобы убедиться в корректности обучения, необходимо отслеживать ключевые метрики: функцию потерь и точность. Вы научитесь вычислять эти метрики и бороться с переобучением.