Name: Deep Learning ระดับกลางด้วย PyTorch
Rating: 4.814723926380368 (2445 reviews)

รายละเอียดคอร์ส

เรียนรู้ Deep Learning

การเรียนรู้เชิงลึกเป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่พัฒนาอย่างรวดเร็ว ซึ่งได้ปฏิวัติวงการแมชชีนเลิร์นนิง และเปิดทางให้เกิดความก้าวหน้าครั้งสำคัญในด้านต่าง ๆ เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และการรู้จำเสียงพูด ความก้าวหน้าล่าสุดใน Generative AI รวมถึงเครื่องมือสร้างภาพและแชตบอตสนทนา ได้นำโมเดลแมชชีนเลิร์นนิงเชิงลึกมาอยู่ในความสนใจของสาธารณชน เริ่มเรียนรู้ว่า deep learning ทำงานอย่างไร และฝึกฝนการเทรนโมเดล deep learning ด้วยตัวคุณเองได้ตั้งแต่วันนี้

ใช้ PyTorch ซึ่งเป็นวิธีทำ Deep Learning ที่เป็น Pythonic มากที่สุด

PyTorch เป็นเฟรมเวิร์กสำหรับการเรียนรู้เชิงลึกที่ทรงพลังและยืดหยุ่น ซึ่งช่วยให้นักวิจัยและผู้ปฏิบัติงานสามารถสร้างและฝึกฝนโครงข่ายประสาทเทียมได้อย่างง่ายดาย PyTorch เป็นที่ชื่นชอบของเหล่า Pythonistas ทั่วโลก เพราะมอบความยืดหยุ่นสูงและวิธีที่ใช้งานได้อย่างเป็นธรรมชาติในการนำแนวคิดของ deep learning ไปใช้จริง

ฝึกโมเดล Deep Learning ที่แข็งแกร่ง

คอร์สนี้เกี่ยวกับ deep learning ด้วย PyTorch ออกแบบมาเพื่อมอบความเข้าใจอย่างครอบคลุมเกี่ยวกับแนวคิดและเทคนิคพื้นฐานของ deep learning พร้อมทั้งเสริมทักษะเชิงปฏิบัติให้คุณสามารถนำแนวคิดต่างๆ ของ neural network ไปใช้งานได้จริง คุณจะได้ทำความเข้าใจกับสถาปัตยกรรมแบบหลายอินพุตและหลายเอาต์พุต คุณจะได้เรียนรู้วิธีป้องกันปัญหาเกรเดียนต์หายและเกรเดียนต์ระเบิด โดยใช้ฟังก์ชันกระตุ้นแบบไม่อิ่มตัว การทำแบตช์นอร์มัลไลเซชัน และการกำหนดค่าเริ่มต้นของน้ำหนักอย่างเหมาะสม คุณจะสามารถลดปัญหา overfitting ได้โดยใช้ regularization และ dropout สุดท้าย คุณจะรู้วิธีเร่งกระบวนการฝึกด้วยการกำหนดตารางอัตราการเรียนรู้

สร้างโมเดลภาพและลำดับข้อมูล

คุณจะได้รู้จักสถาปัตยกรรมโครงข่ายประสาทเทียมเฉพาะทาง 2 แบบ: โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNNs) สำหรับข้อมูลภาพ และโครงข่ายประสาทเทียมแบบรีเคอร์เรนต์ (RNNs) สำหรับข้อมูลลำดับ เช่น อนุกรมเวลา หรือข้อความ คุณจะเข้าใจข้อดีของมัน และจะสามารถนำไปใช้ในงานจำแนกภาพและการพยากรณ์อนุกรมเวลาได้

เมื่อจบหลักสูตรนี้ คุณจะมีความรู้และความมั่นใจในการฝึกและประเมินโมเดล deep learning ของคุณเองได้อย่างมีประสิทธิภาพสำหรับการใช้งานที่หลากหลาย

ข้อกำหนดเบื้องต้น

Introduction to Deep Learning with PyTorch

หลักสูตร

โครงร่างคอร์ส

การฝึกโครงข่ายประสาทเทียมให้มีประสิทธิภาพ

เรียนรู้การฝึกโครงข่ายประสาทเทียมอย่างมีประสิทธิภาพ ในบทนี้ คุณจะใช้การเขียนโปรแกรมเชิงวัตถุเพื่อกำหนด PyTorch datasets และโมเดล พร้อมทบทวนความรู้เกี่ยวกับการฝึกและประเมินโครงข่ายประสาทเทียม นอกจากนี้ยังได้ทำความรู้จักกับ optimizer ประเภทต่าง ๆ และเทคนิคที่ช่วยแก้ปัญหา gradient ที่ไม่เสถียร ซึ่งพบได้บ่อยในการฝึกโมเดล

เริ่มบท

รูปภาพและ Convolutional Neural Networks

ฝึกโครงข่ายประสาทเทียมสำหรับงานจำแนกประเภทรูปภาพ ในบทนี้ คุณจะเรียนรู้วิธีจัดการข้อมูลรูปภาพใน PyTorch และทำความเข้าใจกับ convolutional neural networks (CNNs) พร้อมฝึกและประเมินโมเดลจำแนกรูปภาพ รวมถึงเรียนรู้วิธีปรับปรุงประสิทธิภาพโมเดลด้วย data augmentation

เริ่มบท

ลำดับข้อมูลและ Recurrent Neural Networks

สร้างและฝึก recurrent neural networks (RNNs) สำหรับประมวลผลข้อมูลลำดับ เช่น time series ข้อความ หรือเสียง คุณจะเรียนรู้สถาปัตยกรรม recurrent ที่นิยมที่สุด 2 แบบ ได้แก่ Long Short-Term Memory (LSTM) และ Gated Recurrent Unit (GRU) รวมถึงวิธีเตรียมข้อมูลลำดับสำหรับการฝึกโมเดล และฝึกทักษะโดยการสร้างและประเมินโมเดล recurrent สำหรับพยากรณ์การใช้พลังงานไฟฟ้า

เริ่มบท

สถาปัตยกรรมแบบ Multi-Input และ Multi-Output

สร้างโมเดลแบบ multi-input และ multi-output เพื่อแสดงให้เห็นว่าโมเดลเหล่านี้รับมือกับงานที่ต้องการข้อมูลนำเข้ามากกว่าหนึ่งชุดหรือสร้างผลลัพธ์หลายรายการได้อย่างไร คุณจะสำรวจการออกแบบและฝึกโมเดลเหล่านี้ด้วย PyTorch และเจาะลึกเรื่องการถ่วงน้ำหนัก loss ในโมเดล multi-output ซึ่งเป็นการทำความเข้าใจวิธีสร้างสมดุลระหว่างความสำคัญของงานต่าง ๆ เมื่อฝึกโมเดลให้ทำหลายงานพร้อมกัน