Last chance! 50% off DataCamp Premium
Sale ends in
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 planı
1
Training Robust Neural Networks
Learn how to train neural networks in a robust way. In this chapter, you will use object-oriented programming to define PyTorch datasets and models and refresh your knowledge of training and evaluating neural networks. You will also get familiar with different optimizers and, finally, get to grips with various techniques that help mitigate the problems of unstable gradients so ubiquitous in neural nets training.
- PyTorch and object-oriented programming50 XP
- PyTorch Dataset100 XP
- PyTorch DataLoader100 XP
- PyTorch Model100 XP
- Optimizers, training, and evaluation50 XP
- Training loop100 XP
- Optimizers100 XP
- Model evaluation100 XP
- Vanishing and exploding gradients50 XP
- Initialization and activation100 XP
- Activations: ReLU vs. ELU100 XP
- Batch Normalization100 XP
2
Images & Convolutional Neural Networks
Train neural networks to solve image classification tasks. In this chapter, you will learn how to handle image data in PyTorch and get to grips with convolutional neural networks (CNNs). You will practice training and evaluating an image classifier while learning about how to improve the model performance with data augmentation.
3
Sequences & Recurrent Neural Networks
Build and train recurrent neural networks (RNNs) for processing sequential data such as time series, text, or audio. You will learn about the two most popular recurrent architectures, Long-Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks, as well as how to prepare sequential data for model training. You will practice your skills by training and evaluating a recurrent model for predicting electricity consumption.
4
Multi-Input & Multi-Output Architectures
Build multi-input and multi-output models, demonstrating how they can handle tasks requiring more than one input or generating multiple outputs. You will explore how to design and train these models using PyTorch and delve into the crucial topic of loss weighting in multi-output models. This involves understanding how to balance the importance of different tasks when training a model to perform multiple tasks simultaneously.
Intermediate Deep Learning with PyTorch
Kurs
Tamamlandı
