Nevrale nettverk. Datasyn og lesing (NLP). - pris 31990 rubler. fra Spesialist, opplæring 24 akademiske timer, dato: 11. desember 2023.

Miscellanea / by admin / December 03, 2023

click fraud protection

Nevrale nettverk - godt etablert moderne innholdsbehandlingsteknologi. I dag bruker mange IT-databedrifter denne teknologien til å lage dataroboter og chatteroboter. De mest kjente av dem Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) ble opprettet ved hjelp av denne teknologien.

Dette kurset vil undersøke en rekke nevrale nettverk implementert i Python ved hjelp av Tensorflow-biblioteket, nemlig PyTorch, utviklet i 2017. Disse algoritmene danner grunnlaget for å løse problemer innen datasyn og lesing, men utmatter det ikke, siden dette området er i stadig utvikling og forbedring.

- samhandle med tensorer i Python
- bli kjent med det grunnleggende om PyTorch
- utdype kunnskapen din om Python
- bli kjent med bildebehandling ved hjelp av nevrale nettverk og Python
- bli kjent med tale og tekstbehandling

Lærer i Python-kurs for maskinlæring. Vladimir Gennadievich er en erfaren utøver, kandidat for fysiske og matematiske vitenskaper og aktiv forsker.

I sitt arbeid bruker han metoder for maskinlæring og automatisering av datainnsamling ved bruk av programmeringsspråkene Python, R, C++, Verilog.

instagram viewer

Vladimir Gennadievich er medlem av Research Gate-fellesskapet av forskere og overvåker hele tiden hvordan programmering brukes i vitenskap og moderne utvikling. Han deler med sine lyttere kunnskap og aktuelle teknikker som vil bidra til å gjøre prosjektene deres bedre og i verdensklasse.
Vladimir Gennadievich publiserte 56 artikler i slike publikasjoner som Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich deltar ikke bare i utviklingen av vitenskap og deler sine prestasjoner med kolleger, men bruker dem også vellykket i praksis:
Vladimir Gennadievich, som lærer-vitenskapsmann, setter utvikling og anvendelse av nye teknologier i første rekke. I læring, inkludert maskinlæring, er det viktigste for ham å trenge inn i essensen av fenomener, forstå alle prosessene, og ikke huske reglene, koden eller syntaksen til tekniske midler. Hans credo er øvelse og dyp fordypning i arbeidet!

Praktisk lærer med 25 års erfaring innen informasjonsteknologi. Ekspert i Full-Stack utvikling av websystemer ved bruk av (MySQL, PHP/Python, nginx, HTML5), dataanalyse og visualisering ved bruk av Python (Pandas, SKLearn, Keras), utvikling av datautvekslingsgrensesnitt mellom systemer som bruker REST, SOAP, EDIFACT-teknologier, administrere webservere på Debian GNU Linux (php/nginx/mariadb), lage teknisk dokumentasjon og brukerdokumentasjon (på russisk og engelske språk).
Jeg gikk hele veien fra linjeutvikler til IT-direktør i min egen bedrift. I løpet av 25 år har han laget rundt 20 bedriftsinformasjonssystemer/databaser, mer enn 50 prototyper, 30 nettsider av varierende størrelse og innhold. Jobbet med store prosjekter for selskaper som Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. I 5 år har han vært blant de TOP 10 utviklerne i den russiske føderasjonen på phpClasses.org.

Modul 1. Introduksjon til Pytorch og tensorer (4 ac. h.)

- Introduksjon til kurset
- Introduksjon til nevrale nettverk
– Hva er PyTorch?
– Hvorfor bruke tensorer?
- Tekniske krav
- Skyfunksjoner
- Hva er tensorer
- Operasjoner med tensorer
- Workshop om temaet

Modul 2. Bildeklassifisering (4 ac. h.)

- Verktøy for å laste og behandle data i PyTorch
- Opprette et treningsdatasett
- Oppretting av validerings- og testdatasett
- Nevrale nettverk som tensorer
- Aktiveringsfunksjon
- Oppretting av nettverk
- Tapsfunksjon
- Optimalisering
- Workshop, implementering på GPU

Modul 3. Konvolusjonelle nevrale nettverk (6 ac. h.)

- Bygge et enkelt konvolusjonelt nevralt nettverk i PyTorch
- Kombinere lag i et nettverk (pooling)
- Regulering av nevrale nettverk (frafall)
- Bruk av trente nevrale nettverk
- Studie av strukturen til det nevrale nettverket
- Batchnormalisering (Batchnorm)
- Workshop om temaet

Modul 4. Bruk og overføring av opplærte modeller (5 ac. h.)

- Bruker ResNet
- Utvalg etter lærehastighet
- Læringshastighetsgradient
- Datautvidelse for omskolering
- Bruker Torchvision-omformere
- Farge- og lambda-omformere
- Tilpassede omformere
- Ensembler
- Workshop om temaet

Modul 5. Tekstklassifisering (5 ac. h.)

- Tilbakevendende nevrale nettverk
- Nevrale nettverk med minne
- Torchtext Library

Tags sky

Miscellanea

Rating

Visninger

Kommentarer