0
Visningar
Neurala nätverk. Datorseende och läsning (NLP). - kurs 31990 rubel. från Specialist, utbildning 24 akademiska timmar, datum: 11 december 2023.
Miscellanea / / December 03, 2023
Neurala nätverk - Fast etablerad modern innehållsbehandlingsteknik. Idag använder många IT-företag denna teknik för att skapa datorrobotar och chattrobotar. De mest kända av dem Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) skapades med denna teknik.
Den här kursen kommer att undersöka ett antal neurala nätverk implementerade i Python med hjälp av Tensorflow-biblioteket, nämligen PyTorch, utvecklat 2017. Dessa algoritmer ligger till grund för att lösa problem inom datorseende och läsning, men uttömmar det inte, eftersom detta område ständigt utvecklas och förbättras.
- interagera med tensorer i Python
- bekanta dig med grunderna i PyTorch
- fördjupa dina kunskaper om Python
- bekanta dig med bildbehandling med hjälp av neurala nätverk och Python
- bli bekant med tal och textbehandling
Lärare i Python-kurser för maskininlärning. Vladimir Gennadievich är en erfaren utövare, kandidat för fysikaliska och matematiska vetenskaper och aktiv forskare.
I sitt arbete använder han metoder för maskininlärning och automatisering av datainsamling med hjälp av programmeringsspråken Python, R, C++, Verilog.
Vladimir Gennadievich är medlem i Research Gate-gemenskapen av forskare och övervakar ständigt hur programmering används i vetenskap och modern utveckling. Han delar med sig av kunskap och aktuella tekniker till sina lyssnare som hjälper till att göra deras projekt bättre och i världsklass.
Vladimir Gennadievich publicerade 56 artiklar i sådana publikationer som Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich deltar inte bara i utvecklingen av vetenskap och delar sina prestationer med kollegor, utan använder dem också framgångsrikt i praktiken:
Vladimir Gennadievich, som lärare-vetenskapsman, sätter utvecklingen och tillämpningen av ny teknologi i första hand. I lärande, inklusive maskininlärning, är det viktigaste för honom att tränga in i fenomenens väsen, att förstå alla processer och inte memorera reglerna, koden eller syntaxen för tekniska medel. Hans credo är övning och djup fördjupning i arbetet!
Praktisk lärare med 25 års erfarenhet inom området informationsteknologi. Expert på Full-Stack-utveckling av webbsystem med hjälp av (MySQL, PHP/Python, nginx, HTML5), dataanalys och visualisering med Python (Pandas, SKLearn, Keras), utveckling...
Praktisk lärare med 25 års erfarenhet inom området informationsteknologi. Expert på Full-Stack-utveckling av webbsystem med (MySQL, PHP/Python, nginx, HTML5), dataanalys och visualisering med Python (Pandas, SKLearn, Keras), utveckling av datautbytesgränssnitt mellan system som använder REST, SOAP, EDIFACT-teknologier, administrera webbservrar på Debian GNU Linux (php/nginx/mariadb), skapa teknisk dokumentation och användardokumentation (på ryska och engelska språk).
Jag gick hela vägen från linjeutvecklare till IT-direktör på mitt eget företag. Under 25 år har han skapat ett 20-tal företagsinformationssystem/databaser, mer än 50 prototyper, 30 webbsidor av varierande storlek och innehåll. Arbetade med stora projekt för företag som Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. I 5 år har han varit bland de TOP 10 utvecklarna i Ryska federationen på phpClasses.org.
Modul 1. Introduktion till Pytorch och tensorer (4 ac. h.)
- Introduktion till kursen
- Introduktion till neurala nätverk
- Vad är PyTorch?
- Varför använda tensorer?
- Tekniska krav
- Molnfunktioner
- Vad är tensorer
- Operationer med tensorer
- Workshop på ämnet
Modul 2. Bildklassificering (4 ac. h.)
- Verktyg för att ladda och bearbeta data i PyTorch
- Skapa en träningsdatauppsättning
- Skapande av validerings- och testdatauppsättning
- Neuralt nätverk som tensorer
- Aktiveringsfunktion
- Skapande av nätverk
- Förlustfunktion
- Optimering
- Workshop, implementering på GPU
Modul 3. Konvolutionella neurala nätverk (6 ac. h.)
- Bygga ett enkelt konvolutionellt neuralt nätverk i PyTorch
- Kombinera lager i ett nätverk (poolning)
- Normalisering av neurala nätverk (bortfall)
- Användning av utbildade neurala nätverk
- Studie av det neurala nätverkets struktur
- Batchnormalisering (Batchnorm)
- Workshop på ämnet
Modul 4. Användning och överföring av utbildade modeller (5 ac. h.)
- Använder ResNet
- Urval efter inlärningshastighet
- Inlärningshastighetsgradient
- Dataexpansion för omskolning
- Använder Torchvision-omvandlare
- Färg- och lambdakonverterare
- Anpassade omvandlare
- Ensembler
- Workshop på ämnet
Modul 5. Textklassificering (5 ac. h.)
- Återkommande neurala nätverk
- Neurala nätverk med minne
- Torchtext Library
Prenumerera
YOU MIGHT ALSO LIKE