0
widoki
Sieci neuronowe. Widzenie komputerowe i czytanie (NLP). — stawka 31990 rub. od Specjalisty, szkolenie 24 godziny akademickie, termin: 11 grudnia 2023 r.
Miscellanea / / December 03, 2023
Sieci neuronowe - ugruntowana nowoczesna technologia przetwarzania treści. Obecnie wiele korporacji informatycznych wykorzystuje tę technologię do tworzenia robotów komputerowych i botów czatowych. Najbardziej znane z nich Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) zostały stworzone przy użyciu tej technologii.
W ramach tego kursu przyjrzymy się szeregowi sieci neuronowych zaimplementowanych w Pythonie przy użyciu biblioteki Tensorflow, a mianowicie PyTorch, opracowanej w 2017 roku. Algorytmy te stanowią podstawę rozwiązywania problemów związanych z widzeniem komputerowym i czytaniem, ale ich nie wyczerpują, ponieważ obszar ten stale się rozwija i doskonali.
- interakcja z tensorami w Pythonie
- zapoznaj się z podstawami PyTorch
- pogłębisz swoją wiedzę o Pythonie
- zapoznaj się z przetwarzaniem obrazu z wykorzystaniem sieci neuronowych i języka Python
- zapoznać się z przetwarzaniem mowy i tekstu
Prowadzący kursy Pythona z zakresu uczenia maszynowego. Władimir Gennadievich jest doświadczonym praktykiem, kandydatem nauk fizycznych i matematycznych oraz aktywnym pracownikiem naukowym.
W swojej pracy wykorzystuje metody uczenia maszynowego i automatyzacji zbierania danych z wykorzystaniem języków programowania Python, R, C++, Verilog.
Władimir Gennadievich jest członkiem społeczności badaczy Research Gate i stale monitoruje wykorzystanie programowania w nauce i współczesnym rozwoju. Dzieli się ze swoimi słuchaczami wiedzą i aktualnymi technikami, które pomogą uczynić ich projekty lepszymi i światowej klasy.
Władimir Gennadievich opublikował 56 artykułów w takich publikacjach jak Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics”, „Physics and Technology of Semiconductors”. Władimir Gennadievich nie tylko uczestniczy w rozwoju nauki i dzieli się swoimi osiągnięciami z kolegami, ale także z powodzeniem wykorzystuje je w praktyce:
Władimir Gennadievich jako nauczyciel-naukowiec na pierwszym miejscu stawia rozwój i zastosowanie nowych technologii. W uczeniu się, w tym w uczeniu maszynowym, najważniejsze jest dla niego wniknięcie w istotę zjawisk, zrozumienie wszystkich procesów, a nie zapamiętywanie reguł, kodu czy składni środków technicznych. Jego credo to praktyka i głębokie zanurzenie w pracy!
Nauczyciel praktyczny z 25-letnim doświadczeniem w dziedzinie technologii informatycznych. Ekspert w tworzeniu Full-Stack systemów webowych z wykorzystaniem (MySQL, PHP/Python, nginx, HTML5), analizie i wizualizacji danych z wykorzystaniem Pythona (Pandas, SKLearn, Keras), programowaniu...
Nauczyciel praktyczny z 25-letnim doświadczeniem w dziedzinie technologii informatycznych. Ekspert w tworzeniu Full-Stack systemów webowych z wykorzystaniem (MySQL, PHP/Python, nginx, HTML5), analizie i wizualizacji danych z wykorzystaniem Pythona (Pandas, SKLearn, Keras), rozwój interfejsów wymiany danych pomiędzy systemami z wykorzystaniem technologii REST, SOAP, EDIFACT, administrowanie serwerami WWW na Debianie GNU Linux (php/nginx/mariadb), tworzenie dokumentacji technicznej i użytkownika (w języku rosyjskim i języki angielskie).
Przeszedłem całą drogę od programisty liniowego do dyrektora IT we własnej firmie. Na przestrzeni 25 lat stworzył około 20 korporacyjnych systemów/baz danych, ponad 50 prototypów, 30 stron internetowych o różnej wielkości i zawartości. Pracował przy dużych projektach dla takich firm jak Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Od 5 lat znajduje się w TOP 10 programistów w Federacji Rosyjskiej na phpClasses.org.
Moduł 1. Wprowadzenie do Pytorcha i tensorów (4 ac. H.)
- Wprowadzenie do kursu
- Wprowadzenie do sieci neuronowych
- Co to jest PyTorch?
- Po co używać tensorów?
- Wymagania techniczne
- Możliwości chmury
- Czym są tensory
- Operacje na tensorach
- Warsztaty na ten temat
Moduł 2. Klasyfikacja obrazu (4 ac. H.)
- Narzędzia do ładowania i przetwarzania danych w PyTorch
- Tworzenie zbioru danych szkoleniowych
- Tworzenie zbioru danych walidacyjnych i testowych
- Sieci neuronowe jako tensory
- Funkcja aktywacji
- Tworzenie sieci
- Funkcja straty
- Optymalizacja
- Warsztaty, wdrożenie na GPU
Moduł 3. Splotowe sieci neuronowe (6 ac. H.)
- Budowa prostej splotowej sieci neuronowej w PyTorch
- Łączenie warstw w sieci (Pooling)
- Regularyzacja sieci neuronowej (Dropout)
- Wykorzystanie wytrenowanych sieci neuronowych
- Badanie struktury sieci neuronowej
- Normalizacja wsadowa (Batchnorm)
- Warsztaty na ten temat
Moduł 4. Wykorzystanie i transfer wyszkolonych modeli (5 ac. H.)
- Korzystanie z ResNetu
- Wybór poprzez prędkość uczenia się
- Gradient szybkości uczenia się
- Rozszerzanie danych w celu przekwalifikowania
- Korzystanie z konwerterów Torchvision
- Konwertery kolorów i lambda
- Niestandardowe konwertery
- Zespoły
- Warsztaty na ten temat
Moduł 5. Klasyfikacja tekstu (5 ac. H.)
- Rekurencyjne sieci neuronowe
- Sieci neuronowe z pamięcią
- Biblioteka Torchtext
SubskrybowaĆ