Neuronové sítě. Počítačové vidění a čtení (NLP). — cena 31990 rub. od specialisty, školení 24 akademických hodin, datum: 11. prosince 2023.
Různé / / December 03, 2023
Neuronové sítě - pevně zavedená moderní technologie zpracování obsahu. Dnes mnoho počítačových IT korporací používá tuto technologii k vytváření počítačových robotů a chatovacích botů. Nejznámější z nich Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) byly vytvořeny pomocí této technologie.
Tento kurz prozkoumá řadu neuronových sítí implementovaných v Pythonu pomocí knihovny Tensorflow, konkrétně PyTorch, vyvinuté v roce 2017. Tyto algoritmy tvoří základ pro řešení problémů v počítačovém vidění a čtení, ale nevyčerpávají jej, protože tato oblast se neustále vyvíjí a zdokonaluje.
- interakce s tenzory v Pythonu
- seznamte se se základy PyTorch
- prohloubit své znalosti Pythonu
- seznámit se se zpracováním obrazu pomocí neuronových sítí a Pythonu
- seznámit se se zpracováním řeči a textu
Učitel kurzů Pythonu pro strojové učení. Vladimir Gennadievich je zkušený praktik, kandidát fyzikálních a matematických věd a aktivní výzkumník.
Ve své práci využívá metody strojového učení a automatizace sběru dat pomocí programovacích jazyků Python, R, C++, Verilog.
Vladimir Gennadievich je členem výzkumné komunity Research Gate a neustále sleduje, jak se programování používá ve vědě a moderním vývoji. Sdílí se svými posluchači know-how a aktuální techniky, které pomohou udělat jejich projekty lepší a světové úrovně.
Vladimir Gennadievich publikoval 56 článků v publikacích jako Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics“, „Fyzika a technologie polovodičů“. Vladimir Gennadievich se nejen podílí na rozvoji vědy a sdílí své úspěchy s kolegy, ale také je úspěšně používá v praxi:
Vladimir Gennadievich jako učitel-vědec klade vývoj a aplikaci nových technologií na první místo. Při učení, včetně strojového, mu jde především o to, proniknout do podstaty jevů, pochopit všechny procesy, a ne se učit nazpaměť pravidla, kód nebo syntaxi technických prostředků. Jeho krédem je praxe a hluboké ponoření do práce!
Praktický učitel s 25letou praxí v oblasti informačních technologií. Expert na Full-Stack vývoj webových systémů pomocí (MySQL, PHP/Python, nginx, HTML5), analýzu a vizualizaci dat pomocí Pythonu (Pandas, SKLearn, Keras), vývoj...
Praktický učitel s 25letou praxí v oblasti informačních technologií. Expert na Full-Stack vývoj webových systémů pomocí (MySQL, PHP/Python, nginx, HTML5), analýzu dat a vizualizaci pomocí Pythonu (Pandas, SKLearn, Keras), vývoj rozhraní pro výměnu dat mezi systémy pomocí technologií REST, SOAP, EDIFACT, správa webových serverů na Debian GNU Linuxu (php/nginx/mariadb), tvorba technické a uživatelské dokumentace (v ruštině a anglické jazyky).
Prošel jsem celou cestou od vývojáře linek až po IT ředitele své vlastní společnosti. Za 25 let vytvořil asi 20 podnikových informačních systémů/databází, více než 50 prototypů, 30 webových stránek různých velikostí a obsahu. Pracoval na velkých projektech pro společnosti jako Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Již 5 let patří mezi TOP 10 vývojářů v Ruské federaci na phpClasses.org.
Modul 1. Úvod do Pytorcha a tenzorů (4 ac. h.)
- Úvod do kurzu
- Úvod do neuronových sítí
- Co je PyTorch?
- Proč používat tenzory?
- Technické požadavky
- Možnosti cloudu
- Co jsou tenzory
- Operace s tenzory
- Workshop na dané téma
Modul 2 Klasifikace obrázků (4 ac. h.)
- Nástroje pro načítání a zpracování dat v PyTorch
- Vytvoření sady tréninkových dat
- Vytvoření souboru validačních a testovacích dat
- Neuronové sítě jako tenzory
- Aktivační funkce
- Tvorba sítě
- Ztrátová funkce
- Optimalizace
- Workshop, implementace na GPU
Modul 3. Konvoluční neuronové sítě (6 ac. h.)
- Vytvoření jednoduché konvoluční neuronové sítě v PyTorch
- Kombinování vrstev v síti (Pooling)
- Regulace neuronové sítě (Dropout)
- Využití trénovaných neuronových sítí
- Studium struktury neuronové sítě
- Dávková normalizace (Batchnorm)
- Workshop na dané téma
Modul 4. Použití a přenos natrénovaných modelů (5 ac. h.)
- Použití ResNet
- Výběr podle rychlosti učení
- Gradient rychlosti učení
- Rozšíření dat pro rekvalifikaci
- Použití konvertorů Torchvision
- Barevné a lambda převodníky
- Vlastní převodníky
- Soubory
- Workshop na dané téma
Modul 5. Klasifikace textu (5 ak. h.)
- Rekurentní neuronové sítě
- Neuronové sítě s pamětí
- Knihovna Torchtext