Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în învățarea adâncă
- Ce este învățarea adâncă și cum diferă de învățarea automată tradițională
- Aplicații reale în viziunea pe calculator, NLP și dincolo
- Panorama ecosistemului de învățare adâncă: TensorFlow 2.x, Keras, PyTorch
- Configurarea unui mediu de dezvoltare accelerat GPU
Mecanismele învățării adânci
- Neuroni artificiali, funcții de activare și straturi de rețea
- Propagarea înainte și calcularea predicțiilor
- Funcții de pierdere pentru sarcini de clasificare și regresie
- Optimizarea prin descensul gradientului și retropropagarea
- Antrenarea primei rețele neuronale pe dataset-ul MNIST
Rețele neurale convoluționale pentru viziune pe calculator
- Înțelegerea convoluției, filtrelor și hărților de caracteristici
- Straturi de tip pooling și reducerea dimensionalității
- Achitecturi CNN: concepte LeNet, VGG și ResNet
- Construcția și antrenarea unei CNN pentru clasificarea imaginilor
- Vizualizarea caracteristicilor învățate și a activărilor intermediare
Augmentarea datelor și îmbunătățirea preciziei modelului
- De ce augmentarea datelor combate overfitting-ul și îmbunătățește generalizarea
- Transformări de imagini: rotație, oglindire, zoom și decupare
- Implementarea unor fluxuri de lucru de augmentare cu straturile de preprocesare Keras
- Dropout, normalizare pe loturi și alte tehnici de regularizare
- Monitorizarea antrenării cu metrici de validare și oprire timpurie
Transferul de învățare cu modele pre-antrenate
- Înțelegerea transferului de învățare și a motivelor pentru care funcționează
- Încărcarea modelelor pre-antrenate din Keras Applications (ResNet, EfficientNet, MobileNet)
- Extragerea caracteristicilor: blocarea stratului de bază și antrenarea unor clasificatoare noi
- Afinajul fin (fine-tuning): deblocarea selectivă a straturilor pentru adaptarea la domeniu
- Obținerea unei precizii ridicate cu date limitate de antrenare
Rețele recurente și modelarea secvențială
- Introducere în datele seculiale și dependențele temporale
- Rețele neurale recurente (RNN) și problema gradientului care dispare
- Celule LSTM și GRU pentru dependențe pe termen lung
- Antrenarea unui model de generare a textului la nivel de caractere
- Încorporări de cuvinte (word embeddings) și stratul Embedding din Keras
Fundamentele procesării limbajului natural
- Preprocesarea textului: tokenizare, umplere (padding) și construirea vocabularului
- Construcția unui clasificator de text cu RNN-uri și LSTMs
- Concepte de modele secvență-la-secvență pentru traducerea automată
- Mecanisme de atenție și rolul lor în NLP-ul modern
- NLP practic cu API-urile de procesare a textului din TensorFlow 2.x
Proiect final: Descrierea imaginilor
- Combinarea viziunii pe calculator și NLP într-o arhitectură multimodală
- Extragerea caracteristicilor imaginii cu un encoder CNN pre-antrenat
- Construcția unui decoder bazat pe LSTM pentru generarea descrierilor
- Gestionarea straturilor multiple de intrare în API-ul funcțional Keras
- Antrenarea și evaluarea fluxului complet (end-to-end) de descriere a imaginilor
Pașii următori și resurse
- Implementarea modelelor antrenate cu TensorFlow Serving
- Explorarea arhitecturilor transformer și a modelurilor mari de limbaj
- Workshop-uri avansate NVIDIA DLI și căi de certificare
- Resurse comunitare, dataset-uri și idei de proiecte
Cerințe
- Abilități de bază în programarea Python (funcții, bucle, dicționare, tablouri)
- Cunoștințe despre conceptele de programare precum variabilele, condiționalele și structurile de date
- Nu este necesară nicio experiență anterioară în învățarea adâncă sau învățarea automată
Public țintă
- Dezvoltatori și ingineri de software care trec către inteligența artificială și învățarea automată
- Analiști de date și oameni de știință a datelor care doresc să își dezvolte abilitățile în domeniul învățării adânci
- Profesioniști tehnici care vor să înțeleagă și să aplice modelele de rețele neuronale
- Studienți și cercetători la început de drum în învățarea adâncă
8 Ore
Mărturii (2)
Formarea a fost organizată și bine planificată, iar din ea am ieșit cu cunoștințe sistematizate și o perspectivă bună asupra temelor pe care le-am abordat.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curs - Deep Learning with TensorFlow 2
Tradus de catre o masina
Mi-a plăcut foarte mult finalul unde am avut ocazia să jucăm cu CHAT GPT. Sala nu era configuraționată cel mai bine pentru aceasta - ar fi fost mai util să avem câteva mese mici în loc de o masă mare, astfel încât să putem forma grupuri mai mici și să ne brainstorm-urim idei.
Nola - Laramie County Community College
Curs - Artificial Intelligence (AI) Overview
Tradus de catre o masina
