Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a mélytanulásba
- A mélytanulás fogalma és eltérései a hagyományos gépi tanulástól
- Gyakorlati alkalmazások a számítógépes látásban, NLP-ben és azon túl
- A mélytanulási ökoszisztéma áttekintése: TensorFlow 2.x, Keras, PyTorch
- GPU-val gyorsított fejlesztői környezet beállítása
A mélytanulás mechanikája
- Mesterséges neuronok, aktiválási függvények és hálózati rétegek
- Az előreirányított terjedés és az előrejelzések kiszámítása
- Veszteségfüggvények osztályozási és regressziós feladatokhoz
- Gradienscsökkenés optimalizálás és backpropagation
- Az első neurális hálózat betanítása a MNIST adathalmazon
Konvolúciós neurális hálózatok számítógépes látásra
- A konvolúció, a szűrők és a jellemzőtérkép megértése
- Pooling rétegek és dimenziócsökkentés
- CNN architektúrák: LeNet, VGG és ResNet koncepciói
- CNN építése és betanítása képosztályozáshoz
- Az elsajátított jellemzők és az intermediér aktivációk vizualizálása
Adataugmentáció és a modell pontosságának javítása
- Témaköri okok: miért küzd az adataugmentáció az overfittinggel, és javítja az általánosítást
- Kép transzformációk: elforgatás, tükrözés, nagyítás és vágás
- Augmentációs adatfolyamok implementálása Keras előfeldolgozási rétegekkel
- Dropout, batch normalizálás és egyéb regularizációs technikák
- A tanulás figyelése validációs metrikákkal és korai leállítással
Átadási tanulás előre betanított modellekkel
- Az átadási tanulás megértése és működési elve
- Előre betanított modellek betöltése a Keras Applications-ből (ResNet, EfficientNet, MobileNet)
- Jellemzők kinyerése: az alaprétegek fagyasztása és új osztályozók betanítása
- Finomhangolás: rétegek szelektív leválasztása domain adaptációhoz
- Magas pontosság elérése korlátozott tanítóadatokkal
Rekurzív hálózatok és szekvencia-modellezés
- A sorozat-adatok és időszerkezet-függőségek bevezetése
- Rekurzív neurális hálózatok (RNN-ek) és a vesztes gradiens probléma
- LSTM és GRU cellák hosszú távú függőségek kezelésére
- Karakterszintű szöveggeneráló modell betanítása
- Szó embeddingek és az Embedding réteg a Keras-ban
A természetes nyelvfeldolgozás alapjai
- Szöveg előfeldolgozása: tokenizálás, padding és szókincsépítés
- Szövegklasszifikátor építése RNN-ekkel és LSTM-kkel
- Szekvencia-szekvencia modellek gépi fordítás céljából
- Figyelem (Attention) mechanizmusok és szerepük a modern NLP-ben
- Gyakorlati NLP a TensorFlow 2.x szövegfeldolgozó API-ival
Végső projekt: Kép-aláírás generálás
- A számítógépes látás és NLP összekapcsolása multimodális architektúrában
- Kép-jellemzők kinyerése egy előre betanított CNN encoderrel
- LSTM-alapú dekodoló építése a kép-aláírások generálásához
- Több bemeneti réteg kezelése a Keras funkcionális API-jában
- A végről végéig működő aláírás-generáló folyamat betanítása és értékelése
További lépések és erőforrások
- Betanított modellek üzemeltetése TensorFlow Servinggel
- Transformer architektúrák és nagy nyelvi modellek felfedezése
- NVIDIA DLI haladó workshopok és tanúsítási utak
- Közösségi erőforrások, adathalmazok és projektötletek
Követelmények
- Python programozás alapfokú ismeretei (függvények, ciklusok, szótárak, tömbök)
- Ismertség a programozási fogalmakkal, például változókkal, feltételekkel és adatszerkezetekkel
- Nem szükséges korábbi mélytanulási vagy gépi tanulási tapasztalat
Célközönség
- Szoftverfejlesztők és mérnökök, akik az AI és a gépi tanulás területére váltanak
- Adatanalitikusok és adat tudósok, akik mélytanulási készségeket szeretnének elsajátítani
- Technikai szakemberek, akik megérteni és alkalmazni szeretnék a neurális hálózati modelleket
- Hallgatók és kutatók, akik most kezdik mélytanulási útjukat
8 Órák
Vélemények (2)
A képzés jól szervezett és tervezett volt, és rendszeres ismeretekkel és egy jól áttekinthető ábrázolással a tárgyaló témákra mentem belőle.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurzus - Deep Learning with TensorFlow 2
Gépi fordítás
Nagyon tetszett, hogy időt szántunk a CHAT GPT-vel való játszozgatásra. A terem ebben az esetben nem volt a legmegfelelőbb - helyette egy nagy asztalra több kisebb asztalt kellett volna beállítani, így csoportokban lehettünk volna, és ötletekkel gondolkodhattunk volna.
Nola - Laramie County Community College
Kurzus - Artificial Intelligence (AI) Overview
Gépi fordítás
