Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Introduksjon til dyp læring
- Hva er dyp læring og hvordan det skiller seg fra tradisjonell maskinlæring
- Reelle applikasjoner innen datamaskinseende, NLP og utover
- Oversikt over økosystemet for dyp læring: TensorFlow 2.x, Keras, PyTorch
- Oppsett av et GPU-akselerert utviklingsmiljø
Mekanismene i dyp læring
- Kunstige nevroner, aktiveringsfunksjoner og nettverkslag
- Fremoverpropagasjon og beregning av prediksjoner
- Tap-funksjoner for klassifiserings- og regresjonsoppgaver
- Optimering med gradient descent og tilbakepropagasjon
- Trening av ditt første nevrale nettverk på MNIST-datasetsnittet
Konvolusjonelle nevrale nettverk for datamaskinseende
- Forståelse av konvolusjon, filtre og funksjonskart
- Poolingslag og reduksjon av dimensjonalitet
- CNN-arkitekturer: Konseptene bak LeNet, VGG og ResNet
- Bygging og trening av en CNN for billedklassifisering
- Visualisering av lærte funksjoner og mellomaktiveringer
Dataaugmentering og forbedring av modellnøyaktighet
- Hvorfor dataaugmentering bekjemper overfitting og forbedrer generalisering
- Billedtransformasjoner: rotasjon, speiling, zooming og beskjæring
- Implementering av augmenteringsplasser med Keras preprocessing-lag
- Dropout, batch-normalisering og andre regulariseringsteknikker
- Overvåking av trening med valideringsmetrikk og tidlig stopp
Overføringslæring med forhånds trentede modeller
- Forståelse av overføringslæring og hvorfor det virker
- Lasting av forhånds trentede modeller fra Keras Applications (ResNet, EfficientNet, MobileNet)
- Funksjonsuttrekking: frysing av baselag og trening av nye klassifiseringslag
- Fintuning: selektiv oppheving av frysing for tilpassning til et bestemt domene
- Oppnå høy nøyaktighet med begrensede treningsdata
Rekursive nettverk og sekvensmodellering
- Innføring i sekvensiell data og tidsmessige avhengigheter
- Rekursive nevrale nettverk (RNN) og problemet med utvisnende gradienter
- LSTM- og GRU-celler for langsiktige avhengigheter
- Trening av en tegnnivå-tekstgenereringsmodell
- Ordinnkapslinger og Embedding-laget i Keras
Grundleggende innen naturlig språkbehandling
- Forhåndsbehandling av tekst: tokenisering, padding og bygging av ordbøker
- Bygging av en tekstklassifiserer med RNN og LSTM
- Sekvens-til-sekvens-modeller for maskinoversettelse (konseptuelt)
- Opmærksomhetsmekanismer og deres rolle i moderne NLP
- Praktisk NLP med TensorFlow 2.x sine API-er for tekstbehandling
Sluttprosjekt: Bildetekstning
- Kombinering av datamaskinseende og naturlig språkbehandling i en multimodal arkitektur
- Uttak av bildefunksjoner med en CNN-koderer basert på forhånds trentede modeller
- Bygging av en LSTM-basert dekoder for generering av bildetekster
- Håndtering av flere inngangslag i Keras functional API
- Trening og evaluering av den samlede tekstgenereringspipelinen
Neste steg og ressurser
- Distribusjon av trentede modeller med TensorFlow Serving
- Utforskning av transformer-arkitekturer og store språkmodeller
- Fremstegsverksteder og sertifiseringsveier fra NVIDIA DLI
- Samarbeidsfellesskapets ressurser, datasetsnitt og prosjektideer
Krav
- Grunnleggende kunnskap i programmering med Python (funksjoner, løkker, ordnbøker, arrayer)
- Kjennskap til programmeringskonsepter som variabler, vilkår og datastrukturer
- Ingen tidligere erfaring med dyp læring eller maskinlæring kreves
Målgruppe
- Programvareutviklere og ingeniører som skifter til AI og maskinlæring
- Dataanalytikere og datavitenskapsfolk som ønsker å tilegne seg ferdigheter innen dyp læring
- Tekniske fagpersoner som vil forstå og anvende nevrale nettverksmodeller
- Studenter og forskere som starter sin reise innen dyp læring
8 Timer
Referanser (2)
Trekningen var organisert og vel planlagt, og jeg kommer ut av den med systematisert kunnskap og en god oversikt over emnene vi gikk igjennom.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maskinoversatt
Jeg likte virkelig avslutningen hvor vi tok tiden til å leke med CHAT GPT. Rommet var ikke satt opp på den beste måten for dette - istedenfor én stor bord ville det vært lurt med noen mindre bord slik at vi kunne dele oss inn i små grupper og brainstorme.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maskinoversatt
