Neurale netværk. Computersyn og læsning (NLP). - sats 31990 gnid. fra Specialist, uddannelse 24 akademiske timer, dato: 11. december 2023.

Miscellanea / by admin / December 03, 2023

click fraud protection

Neurale netværk - solidt etableret moderne indholdsbehandlingsteknologi. I dag bruger mange computer-it-selskaber denne teknologi til at skabe computerrobotter og chatbots. De mest berømte af dem Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) blev skabt ved hjælp af denne teknologi.

Dette kursus vil undersøge en række neurale netværk implementeret i Python ved hjælp af Tensorflow-biblioteket, nemlig PyTorch, udviklet i 2017. Disse algoritmer danner grundlaget for at løse problemer inden for computersyn og læsning, men udtømmer det ikke, da dette område konstant udvikler sig og forbedres.

- interagere med tensorer i Python
- stifte bekendtskab med det grundlæggende i PyTorch
- uddybe din viden om Python
- stifte bekendtskab med billedbehandling ved hjælp af neurale netværk og Python
- blive fortrolig med tale og tekstbehandling

Underviser i Python-kurser til maskinlæring. Vladimir Gennadievich er en erfaren praktiker, kandidat for fysiske og matematiske videnskaber og aktiv forsker.

instagram viewer

I sit arbejde bruger han metoder til maskinlæring og automatisering af dataindsamling ved hjælp af programmeringssprogene Python, R, C++, Verilog.
Vladimir Gennadievich er medlem af Research Gate-samfundet af forskere og overvåger konstant, hvordan programmering bruges i videnskab og moderne udvikling. Han deler viden og aktuelle teknikker med sine lyttere, som vil hjælpe med at gøre deres projekter bedre og i verdensklasse.
Vladimir Gennadievich publicerede 56 artikler i sådanne publikationer som Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich deltager ikke kun i udviklingen af videnskab og deler sine resultater med kolleger, men bruger dem også med succes i praksis:
Vladimir Gennadievich sætter som lærer-videnskabsmand udvikling og anvendelse af nye teknologier i første række. I læring, herunder maskinlæring, er det vigtigste for ham at trænge ind i fænomenernes essens, at forstå alle processer og ikke at huske reglerne, koden eller syntaksen for tekniske midler. Hans credo er øvelse og dyb fordybelse i arbejdet!

Praktisk underviser med 25 års erfaring inden for informationsteknologi. Ekspert i Full-Stack udvikling af websystemer ved hjælp af (MySQL, PHP/Python, nginx, HTML5), dataanalyse og visualisering ved hjælp af Python (Pandas, SKLearn, Keras), udvikling af dataudvekslingsgrænseflader mellem systemer ved hjælp af REST, SOAP, EDIFACT teknologier, administrere webservere på Debian GNU Linux (php/nginx/mariadb), oprette teknisk dokumentation og brugerdokumentation (på russisk og engelske sprog).
Jeg gik hele vejen fra linjeudvikler til it-direktør i min egen virksomhed. I løbet af 25 år har han skabt omkring 20 virksomhedsinformationssystemer/databaser, mere end 50 prototyper, 30 hjemmesider af varierende størrelse og indhold. Arbejdede på store projekter for virksomheder som Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. I 5 år har han været blandt TOP 10 udviklere i Den Russiske Føderation på phpClasses.org.

Modul 1. Introduktion til Pytorch og tensorer (4 ac. h.)

- Introduktion til kurset
- Introduktion til neurale netværk
- Hvad er PyTorch?
- Hvorfor bruge tensorer?
- Tekniske krav
- Cloud-funktioner
- Hvad er tensorer
- Operationer med tensorer
- Workshop om emnet

Modul 2. Billedklassificering (4 ac. h.)

- Værktøjer til indlæsning og behandling af data i PyTorch
- Oprettelse af et træningsdatasæt
- Oprettelse af validerings- og testdatasæt
- Neurale netværk som tensorer
- Aktiveringsfunktion
- Oprettelse af netværk
- Tabsfunktion
- Optimering
- Workshop, implementering på GPU

Modul 3. Konvolutionelle neurale netværk (6 ac. h.)

- Opbygning af et simpelt konvolutionelt neuralt netværk i PyTorch
- Kombination af lag i et netværk (pooling)
- Regulering af neurale netværk (Dropout)
- Brug af trænede neurale netværk
- Undersøgelse af strukturen af det neurale netværk
- Batchnormalisering (Batchnorm)
- Workshop om emnet

Modul 4. Brug og overførsel af trænede modeller (5 ac. h.)

- Brug af ResNet
- Valg efter indlæringshastighed
- Indlæringshastighedsgradient
- Dataudvidelse til omskoling
- Brug af Torchvision-konvertere
- Farve- og lambdakonvertere
- Brugerdefinerede konvertere
- Ensembler
- Workshop om emnet

Modul 5. Tekstklassificering (5 ac. h.)

- Tilbagevendende neurale netværk
- Neurale netværk med hukommelse
- Torchtext Library

Tags sky

Miscellanea

bedømmelse

visninger

Kommentarer