Kurs
Introduktion till djupinlärning med PyTorch
MedelnivåKunskapsnivå
Uppdaterad 2026-01
PyTorchArtificial Intelligence4 tim16 videor49 Övningar3,900 XP86,971Intyg om genomförande
Skapa ditt kostnadsfria konto
Fortsätt med GoogleVisa fler alternativeller
Genom att fortsätta godkänner du våra användarvillkor, vår integritetspolicy och att dina uppgifter lagras i USA.
Omtyckt av lärande på tusentals företag
Utbildar du ett team?
Prova för företagKursbeskrivning
Förstå kraften i Deep Learning
Deep learning finns överallt: i smartphonekameror, röstassistenter och självkörande bilar. Det har till och med hjälpt till att upptäcka proteinstrukturer och besegra människor i spelet Go. Upptäck denna kraftfulla teknik och lär dig hur du kan utnyttja den med PyTorch, ett av de mest populära deep learning-biblioteken.Träna ditt första neurala nätverk
Först tar du dig an skillnaden mellan deep learning och "klassisk" maskininlärning. Du kommer att lära dig om träningsprocessen för ett neuralt nätverk och hur man skriver en träningsloop. För att göra detta kommer du att skapa förlustfunktioner för regressions- och klassificeringsproblem och använda PyTorch för att beräkna deras derivator.Utvärdera och förbättra din modell
I den andra halvan lär du dig de olika hyperparametrarna du kan justera för att förbättra din modell. Efter att ha lärt dig om de olika komponenterna i ett neuralt nätverk kommer du att kunna skapa större och mer komplexa arkitekturer. För att mäta dina modellprestanda kommer du att använda TorchMetrics, ett PyTorch-bibliotek för modellutvärdering.När du har slutfört kursen kommer du att kunna använda PyTorch för att lösa klassificerings- och regressionsproblem med både tabulära data och bilddata med hjälp av djupinlärning. En avgörande kompetens för erfarna dataexperter som vill ta nästa steg i karriären.
Förkunskapskrav
Supervised Learning with scikit-learnIntroduction to NumPyPython Toolbox1
Introduktion till PyTorch – ett bibliotek för djupinlärning
Självkörande bilar, smartphones, sökmotorer – djupinlärning finns nu överallt. Innan du börjar bygga komplexa modeller får du bekanta dig med PyTorch, ett ramverk för djupinlärning. Du lär dig att hantera tensorer, skapa PyTorch-datastrukturer och bygga ditt första neurala nätverk i PyTorch med linjära lager.
2
Neurala nätverks arkitektur och hyperparametrar
För att träna ett neuralt nätverk i PyTorch behöver du först förstå ytterligare komponenter, till exempel aktiveringsfunktioner och förlustfunktioner. Du kommer att se att träning av ett nätverk kräver att man minimerar förlustfunktionen, vilket görs genom att beräkna gradienter. Du lär dig hur du använder dessa gradienter för att uppdatera modellens parametrar.
3
Träna ett neuralt nätverk med PyTorch
Nu när du har lärt dig de viktigaste komponenterna i ett neuralt nätverk ska du träna ett med hjälp av en träningsloop. Du undersöker potentiella problem som försvinnande gradienter och lär dig strategier för att hantera dem, till exempel alternativa aktiveringsfunktioner samt justering av inlärningshastighet och momentum.
4
Utvärdera och förbättra modeller
Att träna en djupinlärningsmodell är en konst, och för att säkerställa att modellen tränas korrekt behöver vi följa vissa mätvärden under träningen, till exempel förlust och noggrannhet. Du lär dig att beräkna sådana mätvärden och hur du minskar överanpassning.
Introduktion till djupinlärning med PyTorch
Kurs slutförd
Tjäna ett prestationsbevis
Lägg till det här beviset i din LinkedIn-profil, ditt CV eller din meritförteckningDela det i sociala medier och i din medarbetarutvärderingRegistrera dig nu
Gå med 19 miljoner lärande och börja Introduktion till djupinlärning med PyTorch idag!
Skapa ditt kostnadsfria konto
Fortsätt med GoogleVisa fler alternativeller
Genom att fortsätta godkänner du våra användarvillkor, vår integritetspolicy och att dina uppgifter lagras i USA.
Utveckla dina datakunskaper med DataCamp för mobilen
Gör framsteg när du är på språng med våra mobila kurser och dagliga 5-minuters kodningsutmaningar.