0
nézetek
Neurális hálózatok. Számítógépes látás és olvasás (NLP). - árfolyam 31990 dörzsölje. Szakorvostól, képzés 24 akadémiai óra, időpont: 2023. december 11.
Vegyes Cikkek / / December 03, 2023
Neurális hálózatok - szilárdan megalapozott modern tartalomfeldolgozási technológia. Manapság sok számítástechnikai vállalat használja ezt a technológiát számítógépes robotok és chat-botok létrehozására. Közülük a leghíresebb Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) ezzel a technológiával készült.
Ez a kurzus számos Pythonban megvalósított neurális hálózatot vizsgál meg a Tensorflow könyvtár, nevezetesen a 2017-ben kifejlesztett PyTorch segítségével. Ezek az algoritmusok képezik az alapját a számítógépes látás és olvasás problémáinak megoldásának, de nem merítik ki, hiszen ez a terület folyamatosan fejlődik és javul.
- kölcsönhatásba lépnek a Python tenzoraival
- ismerkedjen meg a PyTorch alapjaival
- mélyítse el Python ismereteit
- ismerkedjen meg a képfeldolgozással neurális hálózatok és Python segítségével
- megismerkedjen a beszéd- és szövegfeldolgozással
Python-tanfolyamok tanára gépi tanuláshoz. Vladimir Gennadievich tapasztalt gyakorló, a fizikai és matematikai tudományok kandidátusa és aktív kutató.
Munkája során gépi tanulási és adatgyűjtési automatizálási módszereket alkalmaz Python, R, C++, Verilog programozási nyelvek segítségével.
Vladimir Gennadievich a Research Gate kutatói közösség tagja, és folyamatosan figyelemmel kíséri a programozás felhasználását a tudományban és a modern fejlesztésekben. Megosztja hallgatóival a know-how-t és a jelenlegi technikákat, amelyek segítenek projektjeik jobbá és világszínvonalúvá tételében.
Vlagyimir Gennadievics 56 cikket publikált olyan kiadványokban, mint a Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics”, „Physics and Technology of Semiconductors”. Vlagyimir Gennadievich nemcsak részt vesz a tudomány fejlesztésében, és megosztja eredményeit kollégáival, hanem sikeresen használja is azokat a gyakorlatban:
Vladimir Gennadievich tanár-tudósként az új technológiák fejlesztését és alkalmazását helyezi előtérbe. A tanulásban – így a gépi tanulásban is – számára a legfontosabb, hogy a jelenségek lényegébe hatoljon be, minden folyamatot megértsen, és ne a technikai eszközök szabályait, kódját vagy szintaxisát memorizálja. Hitvallása a gyakorlás és a munkában való mély elmélyülés!
Gyakorlati tanár 25 éves tapasztalattal az információs technológia területén. Webes rendszerek Full-Stack fejlesztésének szakértője (MySQL, PHP/Python, nginx, HTML5), adatelemzésben és Python (Pandas, SKLearn, Keras) vizualizálásban, fejlesztés...
Gyakorlati tanár 25 éves tapasztalattal az információs technológia területén. Webrendszerek Full-stack fejlesztésének szakértője (MySQL, PHP/Python, nginx, HTML5), adatelemzésben és Python segítségével történő megjelenítésben (Pandas, SKLearn, Keras), rendszerek közötti adatcsere interfészek fejlesztése REST, SOAP, EDIFACT technológiák felhasználásával, webszerverek adminisztrálása Debian GNU Linuxon (php/nginx/mariadb), műszaki és felhasználói dokumentáció készítése (orosz és angol nyelvek).
Sorfejlesztőtől a saját cégem informatikai igazgatójáig jutottam el. 25 év alatt mintegy 20 vállalati információs rendszert/adatbázist, több mint 50 prototípust, 30 különböző méretű és tartalmú weboldalt hozott létre. Nagy projekteken dolgozott olyan cégeknél, mint a Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. 5 éve az Orosz Föderáció TOP 10 fejlesztője között van a phpClasses.org oldalon.
1. modul. Bevezetés a Pytorchba és a tenzorokba (4 ac. h.)
- Bevezetés a tanfolyamba
- Bevezetés a neurális hálózatokba
- Mi az a PyTorch?
- Miért használjunk tenzorokat?
- Technikai követelmények
- Felhőképességek
- Mik azok a tenzorok
- Műveletek tenzorokkal
- Workshop a témában
2. modul. Képosztályozás (4 ac. h.)
- Eszközök adatok betöltéséhez és feldolgozásához PyTorchban
- Edzési adatsor készítése
- Validálási és teszt adatsor létrehozása
- Neurális hálózat, mint tenzorok
- Aktiválási funkció
- Hálózat létrehozása
- Veszteség funkció
- Optimalizálás
- Workshop, implementáció GPU-n
3. modul. Konvolúciós neurális hálózatok (6 ac. h.)
- Egyszerű konvolúciós neurális hálózat felépítése PyTorch-ban
- Rétegek összekapcsolása hálózatban (Pooling)
- Neurális hálózat szabályosítása (Dropout)
- Képzett neurális hálózatok használata
- A neurális hálózat szerkezetének tanulmányozása
- Kötegelt normalizálás (Batchnorm)
- Workshop a témában
4. modul. Képzett modellek használata és átadása (5 ac. h.)
- ResNet használata
- Kiválasztás tanulási sebesség szerint
- Tanulási sebesség gradiens
- Adatbővítés az átképzéshez
- Torchvision konverterek használata
- Szín és lambda átalakítók
- Egyedi konverterek
- Együttesek
- Workshop a témában
5. modul. Szövegbesorolás (5 ac. h.)
- Ismétlődő neurális hálózatok
- Neurális hálózatok memóriával
- Torchtext Library
Iratkozz Fel
YOU MIGHT ALSO LIKE
