After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Derin Öğrenmeyi Öğrenin
Derin öğrenme, makine öğrenimi alanında devrim yaratan ve bilgisayar görme, doğal dil işleme ve konuşma tanıma gibi alanlarda çığır açan gelişmelere olanak sağlayan, hızla gelişen bir yapay zeka alanıdır. Görüntü üreticileri ve sohbet robotları dahil olmak üzere Üretken Yapay Zeka alanındaki en son gelişmeler, derin makine öğrenimi modellerini kamuoyunun dikkatine sunmuştur. Derin öğrenmenin nasıl çalıştığını ve derin modelleri nasıl eğitebileceğinizi bugün öğrenmeye başlayın.Derin öğrenme için en Pythonik yöntem olan PyTorch'u kullanın
PyTorch, araştırmacıların ve uygulayıcıların sinir ağlarını kolaylıkla oluşturup eğitebilmelerini sağlayan güçlü ve esnek bir derin öğrenme çerçevesidir. Dünyanın dört bir yanındaki Python kullanıcıları tarafından sevilen PyTorch, derin öğrenme kavramlarını uygulamak için çok sayıda esneklik ve sezgisel bir yol sunar.Güçlü Derin Öğrenme Modelleri Eğitin
PyTorch ile derin öğrenme kursu, derin öğrenmenin temel kavram ve tekniklerini kapsamlı bir şekilde anlamanızı sağlamak ve çeşitli sinir ağı kavramlarını uygulamak için gerekli pratik becerileri kazandırmak amacıyla tasarlanmıştır. Çoklu giriş ve çoklu çıkış mimarilerini kavrayacaksınız. Doygun olmayan aktivasyonlar, toplu normalleştirme ve uygun ağırlık başlatma kullanarak kaybolan ve patlayan gradyan sorunlarını nasıl önleyeceğinizi öğreneceksiniz. Düzenleme ve bırakma yöntemlerini kullanarak aşırı uyumu hafifletebilirsiniz. Son olarak, öğrenme hızı planlaması ile eğitim sürecini nasıl hızlandıracağınızı öğreneceksiniz.Görüntü ve Sıra Modelleri Oluşturma
İki özel sinir ağı mimarisi hakkında bilgi edineceksiniz: Görüntü verileri için Evrişimli Sinir Ağları (CNN) ve zaman serisi veya metin gibi sıralı veriler için Tekrarlayan Sinir Ağları (RNN). Avantajlarını anlayacak ve bunları görüntü sınıflandırma ve zaman serisi tahmin görevlerinde uygulayabileceksiniz.Kursun sonunda, çeşitli uygulamalar için kendi derin öğrenme modellerinizi sağlam bir şekilde eğitmek ve değerlendirmek için gerekli bilgi ve güvene sahip olacaksınız.
Ön Koşullar
Müfredat
Kurs içeriği
1
Sağlam Sinir Ağları Eğitimi
Sinir ağlarını sağlam bir şekilde nasıl eğiteceğini öğren. Bu bölümde, PyTorch veri kümeleri ve modellerini tanımlamak için nesne yönelimli programlamayı kullanacak ve sinir ağlarını eğitme ile değerlendirme bilgini tazeleyeceksin. Farklı optimizasyon algoritmalarını da tanıyacak ve son olarak, sinir ağı eğitiminde yaygın olan kararsız gradyan sorunlarını hafifletmeye yardım eden çeşitli tekniklere hakim olacaksın.
- PyTorch ve nesne yönelimli programlama50 XP
- PyTorch Veri Kümesi100 XP
- PyTorch DataLoader100 XP
- PyTorch Modeli100 XP
- Optimizasyon araçları, eğitim ve değerlendirme50 XP
- Eğitim döngüsü100 XP
- Optimizasyon Algoritmaları100 XP
- Model değerlendirme100 XP
- Kaybolan ve taşan gradyanlar50 XP
- Başlatma ve aktivasyon100 XP
- Aktivasyonlar: ReLU vs. ELU100 XP
- Batch Normalization100 XP
2
Görseller ve Evrişimsel Sinir Ağları
Görüntü sınıflandırma görevlerini çözmek için sinir ağlarını eğit. Bu bölümde, PyTorch’ta görüntü verisini nasıl işleyeceğini öğrenecek ve evrişimsel sinir ağlarını (CNN) yakından tanıyacaksın. Bir görüntü sınıflandırıcısını eğitip değerlendirirken, veri artırma ile model performansını nasıl iyileştirebileceğini de pratik edeceksin.
3
Diziler ve Tekrarlayan Sinir Ağları
Zaman serileri, metin veya ses gibi sıralı verileri işlemek için tekrarlayan sinir ağları (RNN) kurup eğit. En popüler iki tekrarlayan mimari olan Long-Short Term Memory (LSTM) ve Gated Recurrent Unit (GRU) ağlarını, ayrıca sıralı veriyi model eğitimine nasıl hazırlayacağını öğreneceksin. Elektrik tüketimini tahmin etmek için bir tekrarlayan modeli eğitip değerlendirerek becerilerini pekiştireceksin.
4
Çok Girdili ve Çok Çıkışlı Mimari Yapılar
Birden fazla girdi gerektiren veya birden çok çıktı üreten görevleri ele alabilen çok girdili ve çok çıkışlı modeller kur. Bu modelleri PyTorch kullanarak nasıl tasarlayıp eğiteceğini keşfedecek ve çok çıkışlı modellerde kayıp ağırlıklandırması konusuna derinlemesine gireceksin. Bu, bir modeli aynı anda birden fazla görevi yerine getirecek şekilde eğitirken farklı görevlerin önemini nasıl dengeleyeceğini anlamayı içerir.
PyTorch ile Orta Düzey Deep Learning
Kurs
Tamamlandı
