Jaringan saraf. Visi komputer dan membaca (NLP). — tarif 31990 gosok. dari Spesialis, pelatihan 24 jam akademik, tanggal: 11 Desember 2023.
Miscellanea / / December 03, 2023
Jaringan saraf - Teknologi pemrosesan konten modern yang mapan. Saat ini, banyak perusahaan IT komputer menggunakan teknologi ini untuk membuat robot komputer dan bot obrolan. Yang paling terkenal di antaranya Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) dibuat menggunakan teknologi ini.
Kursus ini akan mengkaji sejumlah jaringan saraf yang diimplementasikan dengan Python menggunakan perpustakaan Tensorflow yaitu PyTorch yang dikembangkan pada tahun 2017. Algoritme ini menjadi dasar untuk memecahkan masalah dalam visi komputer dan membaca, tetapi tidak menghabiskannya, karena bidang ini terus berkembang dan meningkat.
- berinteraksi dengan tensor dengan Python
- mengenal dasar-dasar PyTorch
- memperdalam pengetahuan Anda tentang Python
- berkenalan dengan pemrosesan gambar menggunakan jaringan saraf dan Python
- Menjadi akrab dengan pemrosesan ucapan dan teks
Kursus guru Python untuk pembelajaran mesin. Vladimir Gennadievich adalah seorang praktisi berpengalaman, kandidat ilmu fisika dan matematika serta peneliti aktif.
Dalam karyanya, ia menggunakan metode pembelajaran mesin dan otomatisasi pengumpulan data menggunakan bahasa pemrograman Python, R, C++, Verilog.
Vladimir Gennadievich adalah anggota komunitas peneliti Research Gate dan terus memantau bagaimana pemrograman digunakan dalam sains dan perkembangan modern. Dia berbagi pengetahuan dan teknik terkini dengan para pendengarnya yang akan membantu menjadikan proyek mereka lebih baik dan berkelas dunia.
Vladimir Gennadievich menerbitkan 56 artikel dalam publikasi seperti Physical Review B, Physica E, “Journal of Experimental and Theoretical Physics”, “Fisics and Technology of Semiconductors”. Vladimir Gennadievich tidak hanya berpartisipasi dalam pengembangan ilmu pengetahuan dan berbagi prestasinya dengan rekan-rekannya, tetapi juga berhasil menerapkannya dalam praktik:
Vladimir Gennadievich, sebagai seorang guru-ilmuwan, mengutamakan pengembangan dan penerapan teknologi baru. Dalam pembelajaran, termasuk pembelajaran mesin, yang utama baginya adalah menembus esensi fenomena, memahami semua proses, dan tidak menghafal aturan, kode, atau sintaksis sarana teknis. Kredonya adalah latihan dan pendalaman dalam pekerjaan!
Guru praktik dengan pengalaman 25 tahun di bidang teknologi informasi. Ahli dalam pengembangan sistem web Full-Stack menggunakan (MySQL, PHP/Python, nginx, HTML5), analisis dan visualisasi data menggunakan Python (Pandas, SKLearn, Keras), pengembangan...
Guru praktik dengan pengalaman 25 tahun di bidang teknologi informasi. Ahli dalam pengembangan sistem web Full-Stack menggunakan (MySQL, PHP/Python, nginx, HTML5), analisis dan visualisasi data menggunakan Python (Pandas, SKLearn, Keras), pengembangan antarmuka pertukaran data antar sistem menggunakan teknologi REST, SOAP, EDIFACT, mengelola server web di Debian GNU Linux (php/nginx/mariadb), membuat dokumentasi teknis dan pengguna (dalam bahasa Rusia dan bahasa Inggris).
Saya beralih dari seorang pengembang lini ke direktur TI di perusahaan saya sendiri. Selama 25 tahun, ia telah menciptakan sekitar 20 sistem informasi/database perusahaan, lebih dari 50 prototipe, 30 situs web dengan berbagai ukuran dan konten. Mengerjakan proyek besar untuk perusahaan seperti Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Selama 5 tahun ia telah menjadi salah satu dari 10 pengembang TOP di Federasi Rusia di phpClasses.org.
Modul 1. Pengantar Pytorch dan tensor (4 ac. H.)
- Pengantar kursus
- Pengantar jaringan saraf
- Apa itu PyTorch?
- Mengapa menggunakan tensor?
- Persyaratan teknis
- Kemampuan awan
- Apa itu tensor
- Operasi dengan tensor
- Lokakarya tentang topik tersebut
Modul 2. Klasifikasi gambar (4 ac. H.)
- Alat untuk memuat dan memproses data di PyTorch
- Membuat kumpulan data pelatihan
- Pembuatan kumpulan data validasi dan pengujian
- Jaringan saraf sebagai tensor
- Fungsi aktivasi
- Pembuatan jaringan
- Fungsi kerugian
- Optimasi
- Workshop, implementasi pada GPU
Modul 3. Jaringan saraf konvolusional (6 ac. H.)
- Membangun jaringan saraf konvolusional sederhana di PyTorch
- Menggabungkan lapisan-lapisan dalam suatu jaringan (Pooling)
- Regularisasi jaringan saraf (Dropout)
- Penggunaan jaringan saraf terlatih
- Studi tentang struktur jaringan saraf
- Normalisasi batch (Batchnorm)
- Lokakarya tentang topik tersebut
Modul 4. Penggunaan dan transfer model terlatih (5 ac. H.)
- Menggunakan ResNet
- Seleksi berdasarkan kecepatan belajar
- Gradien Kecepatan Pembelajaran
- Perluasan data untuk pelatihan ulang
- Menggunakan konverter Torchvision
- Konverter warna dan lambda
- Konverter khusus
- Ansambel
- Lokakarya tentang topik tersebut
Modul 5. Klasifikasi teks (5 ac. H.)
- Jaringan saraf berulang
- Jaringan saraf dengan memori
- Perpustakaan Teks Obor