Neuroverkot. Tietokonenäkö ja lukeminen (NLP). - hinta 31990 hieroa. Specialistilta, koulutus 24 akateemista tuntia, päivämäärä: 11.12.2023.

Miscellanea / by admin / December 03, 2023

click fraud protection

Neuroverkot - vakaasti vakiintunut moderni sisällönkäsittelytekniikka. Nykyään monet tietokoneiden IT-yritykset käyttävät tätä tekniikkaa tietokonerobottien ja chat-bottien luomiseen. Tunnetuimmat niistä Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) luotiin tällä tekniikalla.

Tällä kurssilla tarkastellaan useita Pythonissa toteutettuja neuroverkkoja käyttämällä Tensorflow-kirjastoa, nimittäin vuonna 2017 kehitettyä PyTorchia. Nämä algoritmit muodostavat perustan tietokonenäön ja lukemisen ongelmien ratkaisemiselle, mutta eivät tyhjennä sitä, koska tämä alue kehittyy ja paranee jatkuvasti.

- olla vuorovaikutuksessa Pythonin tensoreiden kanssa
- tutustua PyTorchin perusteisiin
- syventää Python-tietoasi
- tutustua kuvankäsittelyyn hermoverkkojen ja Pythonin avulla
- perehtyä puheen ja tekstinkäsittelyyn

Koneoppimisen Python-kurssien opettaja. Vladimir Gennadievich on kokenut lääkäri, fysiikan ja matemaattisten tieteiden kandidaatti ja aktiivinen tutkija.

Hän käyttää työssään koneoppimismenetelmiä ja tiedonkeruun automatisointia ohjelmointikielillä Python, R, C++, Verilog.

instagram viewer

Vladimir Gennadievich on Research Gate -tutkijayhteisön jäsen ja seuraa jatkuvasti ohjelmoinnin käyttöä tieteessä ja nykyaikaisessa kehityksessä. Hän jakaa kuuntelijoilleen tietotaitoa ja nykyisiä tekniikoita, jotka auttavat tekemään heidän projekteistaan parempia ja maailmanluokan.
Vladimir Gennadievich julkaisi 56 artikkelia sellaisissa julkaisuissa kuin Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich ei vain osallistu tieteen kehittämiseen ja jakaa saavutuksiaan kollegoiden kanssa, vaan myös käyttää niitä menestyksekkäästi käytännössä:
Vladimir Gennadievich opettaja-tieteilijänä asettaa uusien teknologioiden kehittämisen ja soveltamisen etusijalle. Oppimisessa, mukaan lukien koneoppiminen, hänelle tärkeintä on tunkeutua ilmiöiden olemukseen, ymmärtää kaikki prosessit, eikä muistaa teknisten välineiden sääntöjä, koodia tai syntaksia. Hänen uskontunnustuksensa on harjoittelu ja syvä uppoutuminen työhön!

Käytännön opettaja, jolla on 25 vuoden kokemus tietotekniikan alalta. Asiantuntija Full-Stack-verkkojärjestelmien kehittämisessä (MySQL, PHP/Python, nginx, HTML5), datan analysoinnissa ja visualisoinnissa Pythonilla (Pandas, SKLearn, Keras), tiedonvaihtorajapintojen kehittäminen järjestelmien välillä REST-, SOAP-, EDIFACT-tekniikoilla, web-palvelimien hallinta Debian GNU Linuxissa (php/nginx/mariadb), teknisen ja käyttäjädokumentaation luominen (venäjäksi ja englannin kielet).
Menin linjakehittäjästä oman yritykseni IT-johtajaksi. Hän on 25 vuoden aikana luonut noin 20 yrityksen tietojärjestelmää/tietokantaa, yli 50 prototyyppiä, 30 erikokoista ja -sisältöistä verkkosivustoa. Työskennellyt suurissa projekteissa yrityksille, kuten Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Viiden vuoden ajan hän on ollut phpClasses.org -sivustolla Venäjän federaation TOP 10 -kehittäjien joukossa.

Moduuli 1. Johdatus Pytorchiin ja tensoreihin (4 ac. h.)

- Kurssin esittely
- Johdatus neuroverkkoihin
- Mikä on PyTorch?
- Miksi käyttää tensoreita?
- Tekniset vaatimukset
- Pilviominaisuudet
- Mitä ovat tensorit
- Operaatiot tensorien kanssa
- Työpaja aiheesta

Moduuli 2. Kuvan luokitus (4 ac. h.)

- Työkalut tietojen lataamiseen ja käsittelyyn PyTorchissa
- Harjoitustietojoukon luominen
- Validointi- ja testitietojoukon luominen
- Neuroverkko tensoreina
- Aktivointitoiminto
- Verkon luominen
- Häviötoiminto
- Optimointi
- Workshop, toteutus GPU: lla

Moduuli 3. Konvoluutiohermoverkot (6 ac. h.)

- Rakenna yksinkertainen konvoluutiohermoverkko PyTorchissa
- Tasojen yhdistäminen verkossa (Pooling)
- Neuraaliverkon säännöstely (Dropout)
- Koulutettujen neuroverkkojen käyttö
- Neuroverkon rakenteen tutkiminen
- Erän normalisointi (Batchnorm)
- Työpaja aiheesta

Moduuli 4. Koulutettujen mallien käyttö ja siirto (5 ak. h.)

- ResNetin käyttö
- Valinta oppimisnopeuden mukaan
- Oppimisnopeuden gradientti
- Tietojen laajentaminen uudelleenkoulutusta varten
- Torchvision-muuntimien käyttäminen
- Väri- ja lambdamuuntimet
- Mukautetut muuntimet
- Yhtyeet
- Työpaja aiheesta

Moduuli 5. Tekstin luokittelu (5 ak. h.)

- Toistuvat neuroverkot
- Neuraaliverkot muistilla
- Torchtext kirjasto

Tunnisteet pilvi

Miscellanea

luokitus

näkymät

Kommentit