After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Розуміння можливостей глибокого навчання
Глибинне навчання всюди: у камерах смартфонів, голосових помічниках і автомобілях із автопілотом. Це навіть допомогло відкривати структури білків і перемагати людей у грі Ґо. Відкрийте для себе цю потужну технологію та дізнайтеся, як використовувати її за допомогою PyTorch — однієї з найпопулярніших бібліотек глибокого навчання.Навчіть свою першу нейронну мережу
Спочатку розберіться з різницею між глибинним навчанням і «класичним» машинним навчанням. Ви дізнаєтеся про процес навчання нейронної мережі та про те, як написати цикл навчання. Для цього ви створите функції втрат для задач регресії та класифікації й використаєте PyTorch для обчислення їхніх похідних.Оцініть і вдоскональте свою модель
У другій половині ви дізнаєтеся про різні гіперпараметри, які можна налаштувати, щоб покращити свою модель. Після ознайомлення з різними компонентами нейронної мережі ви зможете створювати більші та складніші архітектури. Щоб оцінювати продуктивність ваших моделей, ви використовуватимете TorchMetrics — бібліотеку PyTorch для оцінювання моделей.Після завершення ви зможете використовувати PyTorch для розв’язання задач класифікації та регресії як на табличних, так і на зображувальних даних за допомогою глибокого навчання. Життєво важлива навичка для досвідчених фахівців із даних, які прагнуть просунути свою кар’єру.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до PyTorch — бібліотеки для глибокого навчання
Безпілотні авто, смартфони, пошуковики — глибоке навчання вже повсюдно. Перш ніж створювати складні моделі, ви ознайомитеся з PyTorch — фреймворком для глибокого навчання. Ви навчитеся працювати з тензорами, створювати структури даних PyTorch і збудуєте свою першу нейронну мережу в PyTorch на лінійних шарах.
- Вступ до глибокого навчання з PyTorch50 XP
- Перші кроки з тензорами в PyTorch100 XP
- Перевірка та додавання тензорів100 XP
- Нейронні мережі та шари50 XP
- Мережа з лінійним шаром100 XP
- Розуміння ваг50 XP
- Приховані шари та параметри50 XP
- Ваша перша нейронна мережа100 XP
- Комбінування лінійних шарів100 XP
- Підрахунок кількості параметрів100 XP
2
Архітектура нейронної мережі та гіперпараметри
Щоб навчити нейронну мережу в PyTorch, спершу треба розібратися з додатковими складниками, як-от функції активації та функції втрат. Далі ви побачите, що навчання мережі полягає в мінімізації цієї функції втрат, що робиться через обчислення градієнтів. Ви дізнаєтеся, як використовувати ці градієнти для оновлення параметрів моделі.
3
Навчання нейронної мережі в PyTorch
Тепер, коли ви знаєте ключові складники нейронної мережі, ви навчите її за допомогою циклу навчання. Ви розглянете можливі проблеми, як-от зникання градієнтів, і дізнаєтеся стратегії їх розв'язання: альтернативні функції активації, налаштування швидкості навчання та імпульсу.
4
Оцінювання та поліпшення моделей
Навчання моделі глибокого навчання — це певною мірою мистецтво. Щоб переконатися, що модель навчається коректно, потрібно відстежувати під час навчання певні метрики, зокрема втрати та точність. Ми навчимося обчислювати такі метрики та зменшувати перенавчання.
Вступ до Deep Learning з PyTorch
Курс
завершено
