Невронни мрежи. Компютърно зрение и четене (НЛП). — курс 31990 rub. от Специалист, обучение 24 академични часа, дата: 11.12.2023г.
разни / / December 03, 2023
Невронни мрежи - твърдо установена съвременна технология за обработка на съдържание. Днес много компютърни ИТ корпорации използват тази технология за създаване на компютърни роботи и чат ботове. Най-известните от тях Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) са създадени с помощта на тази технология.
Този курс ще разгледа редица невронни мрежи, внедрени в Python с помощта на библиотеката Tensorflow, а именно PyTorch, разработена през 2017 г. Тези алгоритми формират основата за решаване на проблеми в компютърното зрение и четене, но не я изчерпват, тъй като тази област непрекъснато се развива и подобрява.
- взаимодействат с тензори в Python
- запознайте се с основите на PyTorch
- задълбочете знанията си за Python
- да се запознаят с обработката на изображения чрез невронни мрежи и Python
- да се запознаят с обработката на реч и текст
Преподавател на курсове по Python за машинно обучение. Владимир Генадиевич е опитен практик, кандидат на физико-математическите науки и активен изследовател.
В работата си той използва методи за машинно обучение и автоматизация на събирането на данни с помощта на езиците за програмиране Python, R, C++, Verilog.
Владимир Геннадиевич е член на общността на изследователите на Research Gate и постоянно следи как програмирането се използва в науката и съвременните разработки. Той споделя със своите слушатели ноу-хау и актуални техники, които ще им помогнат да направят проектите си по-добри и на световно ниво.
Владимир Генадиевич публикува 56 статии в издания като Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics“, „Physical and Technology of Semiconductors“. Владимир Генадиевич не само участва в развитието на науката и споделя своите постижения с колеги, но и успешно ги използва на практика:
Владимир Геннадиевич, като учител-учен, поставя на първо място разработването и прилагането на нови технологии. В обучението, включително машинното обучение, основното за него е да проникне в същността на явленията, да разбере всички процеси, а не да запомни правилата, кода или синтаксиса на техническите средства. Неговото кредо е практика и дълбоко потапяне в работата!
Учител по практика с 25 години опит в областта на информационните технологии. Експерт в Full-Stack разработка на уеб системи с помощта на (MySQL, PHP/Python, nginx, HTML5), анализ на данни и визуализация с помощта на Python (Pandas, SKLearn, Keras), разработка...
Учител по практика с 25 години опит в областта на информационните технологии. Експерт в Full-Stack разработка на уеб системи с помощта на (MySQL, PHP/Python, nginx, HTML5), анализ на данни и визуализация с помощта на Python (Pandas, SKLearn, Keras), разработване на интерфейси за обмен на данни между системи, използващи REST, SOAP, EDIFACT технологии, администриране на уеб сървъри на Debian GNU Linux (php/nginx/mariadb), създаване на техническа и потребителска документация (на руски и английски езици).
Изминах целия път от линеен разработчик до ИТ директор на собствената си компания. За 25 години той е създал около 20 корпоративни информационни системи/бази данни, повече от 50 прототипа, 30 уебсайта с различни размери и съдържание. Работил е по големи проекти за компании като Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. В продължение на 5 години той е сред ТОП 10 разработчици в Руската федерация на phpClasses.org.
Модул 1. Въведение в Pytorch и тензорите (4 ac. з.)
- Въведение в курса
- Въведение в невронните мрежи
- Какво е PyTorch?
- Защо да използваме тензори?
- Технически изисквания
- Облачни възможности
- Какво представляват тензорите
- Операции с тензори
- Работилница по темата
Модул 2. Класификация на изображението (4 ac. з.)
- Инструменти за зареждане и обработка на данни в PyTorch
- Създаване на набор от данни за обучение
- Създаване на набор от данни за валидиране и тестване
- Невронни мрежи като тензори
- Функция за активиране
- Създаване на мрежа
- Функция за загуба
- Оптимизация
- Семинар, реализация на GPU
Модул 3. Конволюционни невронни мрежи (6 ac. з.)
- Изграждане на проста конволюционна невронна мрежа в PyTorch
- Комбиниране на слоеве в мрежа (обединяване)
- Регулиране на невронната мрежа (отпадане)
- Използване на обучени невронни мрежи
- Изследване на структурата на невронната мрежа
- Пакетно нормализиране (Batchnorm)
- Работилница по темата
Модул 4. Използване и трансфер на обучени модели (5 ак. з.)
- Използване на ResNet
- Избор по скорост на обучение
- Градиент на скоростта на обучение
- Разширяване на данни за преквалификация
- Използване на конвертори Torchvision
- Цветни и ламбда конвертори
- Персонализирани конвертори
- Ансамбли
- Работилница по темата
Модул 5. Класификация на текста (5 ac. з.)
- Повтарящи се невронни мрежи
- Невронни мрежи с памет
- Библиотека Torchtext