Name: Середній рівень Deep Learning з PyTorch
Rating: 4.819694868238558 (2163 reviews)

Опис курсу

Вивчайте глибоке навчання

Глибинне навчання — це стрімко розвивальна галузь штучного інтелекту, яка революціонізувала сферу машинного навчання, відкривши шлях до проривів у таких напрямах, як комп’ютерний зір, обробка природної мови та розпізнавання мовлення. Останні досягнення в галузі генеративного ШІ, зокрема генератори зображень і розмовні чат-боти, вивели глибокі моделі машинного навчання на передній план уваги громадськості. Почніть вивчати, як працює глибоке навчання, і вже сьогодні навчіться самостійно тренувати глибокі моделі.

Використовуйте PyTorch — найпітонічніший спосіб займатися глибинним навчанням

PyTorch — це потужний і гнучкий фреймворк для глибокого навчання, який дає змогу дослідникам і практикам легко створювати та навчати нейронні мережі. PyTorch, який люблять Python-розробники по всьому світу, пропонує велику гнучкість і інтуїтивно зрозумілий спосіб реалізації концепцій глибокого навчання.

Навчайте стійкі моделі глибокого навчання

Цей курс із глибокого навчання з PyTorch створений, щоб дати вам ґрунтовне розуміння фундаментальних концепцій і технік глибокого навчання та надати практичні навички для реалізації різних концепцій нейронних мереж. Ви опануєте архітектури з кількома входами та кількома виходами. Ви дізнаєтеся, як запобігати проблемам зникнення та вибуху градієнтів за допомогою ненасичувальних активацій, пакетної нормалізації та правильної ініціалізації ваг. Ви зможете зменшити перенавчання за допомогою регуляризації та dropout. Нарешті, ви дізнаєтеся, як прискорити процес навчання за допомогою планування швидкості навчання.

Створюйте моделі зображень і послідовностей

Ви познайомитеся з двома спеціалізованими архітектурами нейронних мереж: Згорткові нейронні мережі (CNN) для зображень і рекурентні нейронні мережі (RNN) для послідовних даних, таких як часові ряди або текст. Ви зрозумієте їхні переваги та зможете застосовувати їх у завданнях класифікації зображень і прогнозування часових рядів.

Наприкінці курсу ви матимете знання та впевненість, щоб надійно навчати й оцінювати власні моделі глибокого навчання для широкого спектра застосувань.

Попередні вимоги

Introduction to Deep Learning with PyTorch

Навчальний план

Зміст курсу

Навчання надійних нейронних мереж

Дізнайтеся, як навчати нейронні мережі надійно. У цьому розділі ви використаєте об'єктно-орієнтоване програмування, щоб визначати набори даних і моделі в PyTorch, та освіжите знання про тренування й оцінювання нейронних мереж. Ви також ознайомитеся з різними оптимізаторами й, нарешті, опanuєте техніки, що допомагають зменшити проблеми нестабільних градієнтів, які так поширені під час навчання нейромереж.

Почати розділ

Зображення та згорткові нейронні мережі

Навчайте нейронні мережі розв'язувати задачі класифікації зображень. У цьому розділі ви дізнаєтеся, як працювати з даними-зображеннями в PyTorch та опanuєте згорткові нейронні мережі (CNN). Ви потренуєтеся навчати й оцінювати класифікатор зображень і дізнаєтеся, як покращити якість моделі за допомогою аугментації даних.

Почати розділ

Послідовності та рекурентні нейронні мережі

Створюйте та навчайте рекурентні нейронні мережі (RNN) для оброблення послідовних даних, зокрема часових рядів, тексту чи аудіо. Ви ознайомитеся з двома найпопулярнішими рекурентними архітектурами — Long Short-Term Memory (LSTM) і Gated Recurrent Unit (GRU) — а також з тим, як готувати послідовні дані до навчання моделі. Ви закріпите навички, навчаючи й оцінюючи рекурентну модель для прогнозування споживання електроенергії.

Почати розділ

Архітектури з кількома входами та виходами

Створюйте моделі з кількома входами та кількома виходами, щоб показати, як вони розв'язують задачі з кількома вхідними даними або з генеруванням кількох виходів. Ви вивчите, як проєктувати й навчати такі моделі в PyTorch, і зануритеся в ключову тему зважування функцій втрат у багатовихідних моделях. Це передбачає розуміння того, як збалансовувати важливість різних завдань, коли модель навчається виконувати кілька завдань одночасно.