After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Học Deep Learning
Học sâu là một lĩnh vực trí tuệ nhân tạo phát triển nhanh chóng, đã cách mạng hóa lĩnh vực học máy, mở ra những đột phá trong các lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói. Những tiến bộ mới nhất trong AI tạo sinh, bao gồm các trình tạo ảnh và chatbot hội thoại, đã đưa các mô hình học máy sâu trở thành tâm điểm chú ý của công chúng. Bắt đầu tìm hiểu cách deep learning hoạt động và cách tự huấn luyện các mô hình deep ngay hôm nay.Sử dụng PyTorch, cách làm Deep Learning theo phong cách Python nhất
PyTorch là một framework học sâu mạnh mẽ và linh hoạt, cho phép các nhà nghiên cứu và người thực hành xây dựng và huấn luyện mạng nơ-ron một cách dễ dàng. Được những người yêu Python trên khắp thế giới yêu thích, PyTorch mang đến rất nhiều sự linh hoạt và một cách trực quan để triển khai các khái niệm học sâu.Huấn luyện các mô hình học sâu vững chắc
Khóa học về deep learning với PyTorch này được thiết kế để cung cấp cho bạn sự hiểu biết toàn diện về các khái niệm và kỹ thuật nền tảng của deep learning, đồng thời trang bị cho bạn các kỹ năng thực hành để triển khai nhiều khái niệm mạng nơ-ron khác nhau. Bạn sẽ nắm vững các kiến trúc đa đầu vào và đa đầu ra. Bạn sẽ học cách ngăn chặn các vấn đề về gradient biến mất và gradient bùng nổ bằng cách sử dụng các hàm kích hoạt không bão hòa, chuẩn hóa theo lô và khởi tạo trọng số đúng cách. Bạn sẽ có thể giảm hiện tượng quá khớp bằng cách sử dụng regularization và dropout. Cuối cùng, bạn sẽ biết cách tăng tốc quá trình huấn luyện với lập lịch tốc độ học.Xây dựng mô hình ảnh và chuỗi
Bạn sẽ được tìm hiểu hai kiến trúc mạng nơ-ron chuyên biệt: Mạng nơ-ron tích chập (CNN) cho dữ liệu hình ảnh và mạng nơ-ron hồi tiếp (RNN) cho dữ liệu tuần tự như chuỗi thời gian hoặc văn bản. Bạn sẽ hiểu được những ưu điểm của chúng và có thể áp dụng chúng vào các tác vụ phân loại hình ảnh và dự đoán chuỗi thời gian.Đến cuối khóa học, bạn sẽ có đủ kiến thức và sự tự tin để huấn luyện và đánh giá một cách vững chắc các mô hình deep learning của riêng mình cho nhiều ứng dụng khác nhau.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Huấn luyện mạng nơ-ron vững chắc
Tìm hiểu cách huấn luyện mạng nơ-ron một cách vững chắc. Trong chương này, bạn sẽ dùng lập trình hướng đối tượng để định nghĩa dataset và mô hình PyTorch, đồng thời ôn lại cách huấn luyện và đánh giá mạng nơ-ron. Bạn cũng sẽ làm quen với các bộ tối ưu (optimizer) khác nhau và cuối cùng nắm được nhiều kỹ thuật giúp giảm thiểu vấn đề gradient không ổn định vốn rất phổ biến khi huấn luyện mạng nơ-ron.
- PyTorch và lập trình hướng đối tượng50 XP
- PyTorch Dataset100 XP
- PyTorch DataLoader100 XP
- Mô hình PyTorch100 XP
- Bộ tối ưu, huấn luyện và đánh giá50 XP
- Vòng lặp huấn luyện100 XP
- Bộ tối ưu hóa100 XP
- Đánh giá mô hình100 XP
- Gradient biến mất và bùng nổ50 XP
- Khởi tạo và hàm kích hoạt100 XP
- Hàm kích hoạt: ReLU vs. ELU100 XP
- Batch Normalization100 XP
2
Hình ảnh & Mạng nơ-ron tích chập
Huấn luyện mạng nơ-ron để giải bài toán phân loại ảnh. Trong chương này, bạn sẽ học cách xử lý dữ liệu ảnh trong PyTorch và nắm vững mạng nơ-ron tích chập (CNN). Bạn sẽ thực hành huấn luyện và đánh giá một bộ phân loại ảnh, đồng thời tìm hiểu cách cải thiện hiệu năng mô hình bằng tăng cường dữ liệu (data augmentation).
3
Chuỗi & Mạng nơ-ron hồi tiếp
Xây dựng và huấn luyện mạng nơ-ron hồi tiếp (RNN) để xử lý dữ liệu tuần tự như chuỗi thời gian, văn bản hoặc âm thanh. Bạn sẽ học về hai kiến trúc hồi tiếp phổ biến nhất, Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU), cũng như cách chuẩn bị dữ liệu tuần tự cho việc huấn luyện mô hình. Bạn sẽ thực hành bằng cách huấn luyện và đánh giá một mô hình hồi tiếp để dự đoán mức tiêu thụ điện.
4
Kiến trúc đa đầu vào & đa đầu ra
Xây dựng các mô hình đa đầu vào và đa đầu ra, minh họa cách chúng xử lý những tác vụ cần nhiều hơn một đầu vào hoặc tạo ra nhiều đầu ra. Bạn sẽ khám phá cách thiết kế và huấn luyện các mô hình này bằng PyTorch, đồng thời đi sâu vào chủ đề quan trọng là cân trọng số hàm mất mát trong mô hình đa đầu ra. Điều này bao gồm việc hiểu cách cân bằng tầm quan trọng của các tác vụ khác nhau khi huấn luyện một mô hình thực hiện đồng thời nhiều nhiệm vụ.
Deep Learning nâng cao với PyTorch
Hoàn
thành khóa học
