Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Schița de curs
Ziua 1:
De bază Machine Learning
Modulul-1
Introducere:
- Exercițiu – Instalarea bibliotecilor Python și NN
- De ce învățare automată?
- Scurt istoric al învățării automate
- Apariția învățării profunde
- Concepte de bază în învățarea automată
- Vizualizarea unei probleme de clasificare
- Limite de decizie și regiuni de decizie
- Caiete iPython
Modul-2
- Exercițiu – Regiuni de decizie
- Neuronul artificial
- Rețeaua neuronală, propagare directă și straturi de rețea
- Funcții de activare
- Exercițiu – Funcții de activare
- Propagarea inversă a erorilor
- Subadaptare și supraadaptare
- Interpolare și netezire
- Extrapolarea și abstractizarea datelor
- Generalizarea în învățarea automată
Modul-3
- Exercițiu – Underfitting și Overfitting
- Seturi de instruire, testare și validare
- Prejudiciul datelor și problema exemplului negativ
- Compromis prejudecată/varianță
- Exercițiu – Seturi de date și distorsiuni
Modul-4
- Prezentare generală a parametrilor NN și a hiperparametrilor
- Probleme de regresie logistică
- Funcții de cost
- Exemplu – Regresie
- Învățarea automată clasică vs. învățarea profundă
- Concluzie
Ziua-2 : Convoluțional Neural Networks (CNN)
Modul-5
- Introducere în CNN
- Ce sunt CNN-urile?
- Computer viziune
- CNN-urile în viața de zi cu zi
- Imagini – pixeli, cuantificarea culorii – spațiu, RGB
- Ecuațiile de convoluție și semnificația fizică, continuu vs. discret
- Exercițiu – Convoluția 1D
Modulul 6
- Baza teoretică pentru filtrare
- Semnalul ca sumă de sinusoide
- Spectrul de frecvență
- Filtre trece bandă
- Exercițiu – Filtrarea de frecvență
- Filtre convoluționale 2D
- Padding ș i lungime de pas
- Filtru ca filtru trece-banda
- Filtru ca potrivire de șablon
- Exercițiu – Detectarea marginilor
- Filtre Gabor pentru analiza frecvenței localizate
- Exercițiu – Filtre Gabor ca hărți de strat 1
Modul-7
- Arhitectura CNN
- Straturi convoluționale
- Straturi de maximizare
- Straturi de eșantionare redusă
- Abstractizare recursivă a datelor
- Exemplu de abstractizare recursivă
Modulul 8
- Exercițiu – Utilizare de bază a CNN-ului
- Setul de date ImageNet și modelul VGG-16
- Vizualizarea hărților de caracteristici
- Vizualizarea semnificațiilor caracteristicilor
- Exercițiu – Hărți de caracteristici și semnificații ale caracteristicilor
Ziua-3: Modelul secvențial
Modulul-9
- Ce sunt modelele de secvență?
- De ce modele de secvență?
- Caz de utilizare a modelării limbajului
- Secvențe în timp vs. secvențe în spațiu
Modul-10
- RNNs
- Arhitectură recurentă
- Backpropagare în timp
- Gradiente de dispariție
- GRU
- LSTM
- RNN profundă
- RNN bidirecțională
- Exercițiu – RNN unidirecțional vs. bidirecțional
- Secvențe de eșantionare
- Predicția ieșirii secvenței
- Exercițiu – Predicția ieșirii secvenței
- RNN-uri pe semnale simple care variază în timp
- Exercițiu – Detectarea formei de undă de bază
Modul-11
- Prelucrarea limbajului natural (NLP)
- Word încorporări
- Word vectori: word2vec
- Word vectori: GloVe
- Transferul de cunoștințe și încorporarea cuvintelor
- Analiza sentimentelor
- Exercițiu – Analiza sentimentelor
Modul-12
- Cuantificarea și eliminarea prejudecăților
- Exercițiu – Eliminarea prejudecăților
- Date audio
- Căutarea fasciculului
- Model de atenție
- Recunoașterea vorbirii
- Detectarea cuvântului declanșator
- Exercițiu – Speech Recognition
Cerințe
Nu sunt necesare cerințe specifice pentru a participa la acest curs.
21 ore