After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Lär dig djupinlärning
Djupinlärning är ett snabbt föränderligt område inom artificiell intelligens som har revolutionerat området maskininlärning och möjliggjort genombrott inom områden som datorseende, naturlig språkbehandling och taligenkänning. De senaste framstegen inom generativ AI, inklusive bildgeneratorer och konversationsbaserade chattbotar, har satt djupa maskininlärningsmodeller i rampljuset. Börja lära dig hur djupinlärning fungerar och hur du tränar djupa modeller själv redan idag.Använd PyTorch, det mest Python-lika sättet att arbeta med deep learning
PyTorch är ett kraftfullt och flexibelt ramverk för deep learning som gör det enkelt för forskare och praktiker att bygga och träna neurala nätverk. Älskad av Python-entusiaster världen över erbjuder PyTorch stor flexibilitet och ett intuitivt sätt att implementera koncept inom deep learning.Träna robusta djupinlärningsmodeller
Den här kursen i deep learning med PyTorch är utformad för att ge dig en heltäckande förståelse för de grundläggande begreppen och teknikerna inom deep learning, samt utrusta dig med de praktiska färdigheter som behövs för att implementera olika koncept för neurala nätverk. Du kommer att få grepp om arkitekturer med flera indata och flera utdata. Du kommer att lära dig hur du förebygger problemen med försvinnande och exploderande gradienter med hjälp av icke-mättande aktiveringar, batchnormalisering och korrekt viktinitiering. Du kommer att kunna minska överanpassning med regularisering och dropout. Slutligen kommer du att veta hur du kan påskynda träningsprocessen med inlärningshastighetsschemaläggning.Bygg bild- och sekvensmodeller
Du lär känna två specialiserade neurala nätverksarkitekturer: Konvolutionella neurala nätverk (CNN) för bilddata och rekurrenta neurala nätverk (RNN) för sekventiell data såsom tidsserier eller text. Du kommer att förstå deras fördelar och kunna implementera dem i uppgifter för bildklassificering och tidsserieprognoser.I slutet av kursen kommer du att ha kunskapen och självförtroendet att robust träna och utvärdera dina egna deep learning-modeller för en rad olika tillämpningar.
Förkunskapskrav
Kursplan
Kursöversikt
1
Träna robusta neurala nätverk
Lär dig att träna neurala nätverk på ett robust sätt. I det här kapitlet använder du objektorienterad programmering för att definiera PyTorch-datamängder och modeller, och du fräschar upp dina kunskaper om träning och utvärdering av neurala nätverk. Du bekantar dig också med olika optimerare och lär dig slutligen olika tekniker för att hantera problemet med instabila gradienter – ett vanligt förekommande problem vid träning av neurala nätverk.
- PyTorch och objektorienterad programmering50 XP
- PyTorch Dataset100 XP
- PyTorch DataLoader100 XP
- PyTorch-modell100 XP
- Optimizers, träning och utvärdering50 XP
- Träningsloop100 XP
- Optimerare100 XP
- Modellutvärdering100 XP
- Försvinnande och exploderande gradienter50 XP
- Initialisering och aktivering100 XP
- Aktiveringsfunktioner: ReLU vs. ELU100 XP
- Batchnormalisering100 XP
2
Bilder och CNN-nätverk
Träna neurala nätverk för bildklassificering. I det här kapitlet lär du dig att hantera bilddata i PyTorch och bekantar dig med CNN-nätverk (convolutional neural networks). Du övar på att träna och utvärdera en bildklassificerare och lär dig hur du kan förbättra modellens prestanda med dataaugmentering.
3
Sekvenser och rekurrenta neurala nätverk
Bygg och träna rekurrenta neurala nätverk (RNN) för att bearbeta sekventiella data som tidsserier, text eller ljud. Du lär dig om de två mest populära rekurrenta arkitekturerna – LSTM-nätverk (Long Short-Term Memory) och GRU-nätverk (Gated Recurrent Unit) – samt hur du förbereder sekventiella data för modellträning. Du får öva dina kunskaper genom att träna och utvärdera en rekurrent modell för att förutsäga elförbrukning.
4
Arkitekturer med flera indata och utdata
Bygg modeller med flera indata och flera utdata, och se hur de hanterar uppgifter som kräver mer än ett indata eller genererar flera utdata. Du utforskar hur du utformar och tränar sådana modeller i PyTorch och fördjupar dig i det viktiga ämnet förlustvikning i modeller med flera utdata. Det handlar om att förstå hur man balanserar vikten av olika uppgifter när en modell tränas för att utföra flera uppgifter samtidigt.
Fördjupad djupinlärning med PyTorch
Kurs
slutförd
