Nevronske mreže. Računalniški vid in branje (NLP). — stopnja 31990 rub. iz specialista, usposabljanje 24 študijskih ur, datum: 11.12.2023.

Miscellanea / by admin / December 03, 2023

click fraud protection

Nevronske mreže - trdno uveljavljena sodobna tehnologija obdelave vsebin. Danes številne računalniške IT korporacije uporabljajo to tehnologijo za ustvarjanje računalniških robotov in klepetalnic. Najbolj znani med njimi Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) so bili ustvarjeni s to tehnologijo.

Ta tečaj bo preučil številne nevronske mreže, implementirane v Python z uporabo knjižnice Tensorflow, in sicer PyTorch, razvite leta 2017. Ti algoritmi so osnova za reševanje problemov računalniškega vida in branja, vendar je ne izčrpajo, saj se to področje nenehno razvija in izboljšuje.

- interakcijo s tenzorji v Pythonu
- seznaniti se z osnovami PyTorcha
- poglobite svoje znanje Pythona
- se seznanijo z obdelavo slik z uporabo nevronskih mrež in Pythona
- spoznati obdelavo govora in besedila

Učitelj tečajev Python za strojno učenje. Vladimir Gennadievich je izkušen praktik, kandidat fizičnih in matematičnih znanosti in aktivni raziskovalec.

Pri svojem delu uporablja metode strojnega učenja in avtomatizacije zbiranja podatkov s pomočjo programskih jezikov Python, R, C++, Verilog.

instagram viewer

Vladimir Gennadievich je član skupnosti raziskovalcev Research Gate in nenehno spremlja, kako se programiranje uporablja v znanosti in sodobnem razvoju. S poslušalci deli znanje in izkušnje ter trenutne tehnike, ki bodo pomagale narediti njihove projekte boljše in vrhunske.
Vladimir Gennadievich je objavil 56 člankov v publikacijah, kot so Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich ne le sodeluje pri razvoju znanosti in svoje dosežke deli s kolegi, ampak jih tudi uspešno uporablja v praksi:
Vladimir Gennadievich kot učitelj-znanstvenik na prvo mesto postavlja razvoj in uporabo novih tehnologij. Pri učenju, tudi strojnem, je zanj glavno prodreti v bistvo pojavov, razumeti vse procese in ne zapomniti pravil, kode ali sintakse tehničnih sredstev. Njegov credo je praksa in globoka poglobljenost v delo!

Učitelj prakse s 25 letnimi izkušnjami na področju informacijske tehnologije. Strokovnjak za Full-Stack razvoj spletnih sistemov z uporabo (MySQL, PHP/Python, nginx, HTML5), analizo in vizualizacijo podatkov z uporabo Pythona (Pandas, SKLearn, Keras), razvoj vmesnikov za izmenjavo podatkov med sistemi z uporabo tehnologij REST, SOAP, EDIFACT, skrbništvo spletnih strežnikov na Debian GNU Linux (php/nginx/mariadb), izdelava tehnične in uporabniške dokumentacije (v ruščini in angleški jeziki).
Prehodil sem vso pot od linijskega razvijalca do IT direktorja lastnega podjetja. V 25 letih je ustvaril približno 20 korporativnih informacijskih sistemov/baz podatkov, več kot 50 prototipov, 30 spletnih mest različnih velikosti in vsebin. Delal je na velikih projektih za podjetja, kot so Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Že 5 let je med TOP 10 razvijalci v Ruski federaciji na phpClasses.org.

Modul 1. Uvod v Pytorch in tenzorje (4 ak. h.)

- Uvod v tečaj
- Uvod v nevronske mreže
- Kaj je PyTorch?
- Zakaj uporabljati tenzorje?
- Tehnične zahteve
- Zmogljivosti v oblaku
- Kaj so tenzorji
- Operacije s tenzorji
- Delavnica na temo

Modul 2. Razvrstitev slike (4 ac. h.)

- Orodja za nalaganje in obdelavo podatkov v PyTorch
- Ustvarjanje nabora podatkov o usposabljanju
- Izdelava validacijskega in testnega niza podatkov
- Nevronske mreže kot tenzorji
- Aktivacijska funkcija
- Ustvarjanje mreže
- Funkcija izgube
- Optimizacija
- Delavnica, implementacija na GPU

Modul 3. Konvolucijske nevronske mreže (6 ac. h.)

- Gradnja preproste konvolucijske nevronske mreže v PyTorchu
- Združevanje slojev v omrežju (združevanje)
- Regulacija nevronske mreže (Dropout)
- Uporaba usposobljenih nevronskih mrež
- Študij strukture nevronske mreže
- Serijska normalizacija (Batchnorm)
- Delavnica na temo

Modul 4. Uporaba in prenos usposobljenih modelov (5 ak. h.)

- Uporaba ResNet
- Izbor po hitrosti učenja
- Gradient stopnje učenja
- Razširitev podatkov za preusposabljanje
- Uporaba pretvornikov Torchvision
- Barvni in lambda pretvorniki
- Pretvorniki po meri
- Ansambli
- Delavnica na temo

Modul 5. Klasifikacija besedila (5 ac. h.)

- Ponavljajoče se nevronske mreže
- Nevronske mreže s pomnilnikom
- Knjižnica Torchtext

Tags cloud

Miscellanea

Ocena

Ogledov

Komentarji