Rețele neuronale. Viziune și citire computerizată (NLP). — rata 31990 rub. de la Specialist, formare 24 de ore academice, data: 11 decembrie 2023.

Miscelaneu / by admin / December 03, 2023

click fraud protection

Rețele neuronale - tehnologie modernă de procesare a conținutului ferm stabilită. Astăzi, multe corporații IT folosesc această tehnologie pentru a crea roboți de computer și roboti de chat. Cele mai cunoscute dintre ele Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) au fost create folosind această tehnologie.

Acest curs va examina o serie de rețele neuronale implementate în Python folosind biblioteca Tensorflow, și anume PyTorch, dezvoltată în 2017. Acești algoritmi formează baza pentru rezolvarea problemelor de viziune pe computer și citire, dar nu o epuizează, deoarece acest domeniu se dezvoltă și se îmbunătățește constant.

- interacționează cu tensorii în Python
- familiarizați-vă cu elementele de bază ale PyTorch
- aprofundați-vă cunoștințele despre Python
- se familiarizează cu procesarea imaginilor folosind rețele neuronale și Python
- se familiarizează cu procesarea vorbirii și a textului

Profesor de cursuri Python pentru învățare automată. Vladimir Gennadievich este un practician cu experiență, candidat la științe fizice și matematice și cercetător activ.

instagram viewer

În munca sa, el folosește metode de învățare automată și automatizare a colectării datelor folosind limbajele de programare Python, R, C++, Verilog.
Vladimir Gennadievich este membru al comunității de cercetători Research Gate și monitorizează constant modul în care programarea este utilizată în știință și dezvoltările moderne. El împărtășește cu ascultătorii săi know-how și tehnici actuale care le vor ajuta să le facă proiectele mai bune și de clasă mondială.
Vladimir Gennadievich a publicat 56 de articole în publicații precum Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics”, „Physics and Technology of Semiconductors”. Vladimir Gennadievich nu numai că participă la dezvoltarea științei și împărtășește realizările sale cu colegii, ci și le folosește cu succes în practică:
Vladimir Gennadievich, ca profesor-om de știință, pune pe primul loc dezvoltarea și aplicarea noilor tehnologii. În învățare, inclusiv învățarea automată, principalul lucru pentru el este să pătrundă în esența fenomenelor, să înțeleagă toate procesele și nu să memoreze regulile, codul sau sintaxa mijloacelor tehnice. Credo-ul lui este practica și imersiunea profundă în muncă!

Profesor practic cu 25 de ani de experiență în domeniul tehnologiei informației. Expert în dezvoltarea Full-Stack a sistemelor web folosind (MySQL, PHP/Python, nginx, HTML5), analiza și vizualizarea datelor folosind Python (Pandas, SKLearn, Keras), dezvoltarea de interfețe de schimb de date între sisteme folosind tehnologii REST, SOAP, EDIFACT, administrarea serverelor web pe Debian GNU Linux (php/nginx/mariadb), crearea documentației tehnice și de utilizare (în rusă și limbi engleze).
Am trecut de la un dezvoltator de linie la directorul IT al propriei mele companii. Peste 25 de ani, a creat aproximativ 20 de sisteme/baze de date corporative, peste 50 de prototipuri, 30 de site-uri web de diferite dimensiuni și conținut. A lucrat la proiecte mari pentru companii precum Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. De 5 ani se numără printre primii 10 dezvoltatori din Federația Rusă pe phpClasses.org.

Modulul 1. Introducere în Pytorch și tensori (4 ac. h.)

- Introducere în curs
- Introducere în rețelele neuronale
- Ce este PyTorch?
- De ce să folosim tensorii?
- Cerinte tehnice
- Capabilitati cloud
- Ce sunt tensorii
- Operatii cu tensori
- Atelier pe tema

Modulul 2. Clasificarea imaginilor (4 ac. h.)

- Instrumente pentru încărcarea și procesarea datelor în PyTorch
- Crearea unui set de date de antrenament
- Crearea setului de date de validare și testare
- Rețeaua neuronală ca tensori
- Funcție de activare
- Crearea rețelei
- Funcția de pierdere
- Optimizare
- Workshop, implementare pe GPU

Modulul 3. Rețele neuronale convoluționale (6 ac. h.)

- Construirea unei rețele neuronale convoluționale simple în PyTorch
- Combinarea straturilor într-o rețea (Pooling)
- Regularizarea rețelei neuronale (Dropout)
- Utilizarea rețelelor neuronale antrenate
- Studiul structurii rețelei neuronale
- Normalizare lot (Batchnorm)
- Atelier pe tema

Modulul 4. Utilizarea și transferul de modele instruite (5 ac. h.)

- Folosind ResNet
- Selectare prin viteza de invatare
- Gradientul ratei de învățare
- Extinderea datelor pentru recalificare
- Utilizarea convertoarelor Torchvision
- Convertoare de culoare și lambda
- Convertoare personalizate
- Ansambluri
- Atelier pe tema

Modulul 5. Clasificarea textului (5 ac. h.)

- Rețele neuronale recurente
- Rețele neuronale cu memorie
- Biblioteca Torchtext

Tag-uri nor

Miscelaneu

Evaluare

Vizualizări

Comentarii