Neurálne siete. Počítačové videnie a čítanie (NLP). - sadzba 31990 rub. od Špecialistu, školenie 24 akademických hodín, dátum: 11.12.2023.
Rôzne / / December 03, 2023
Neurálne siete - pevne zavedená moderná technológia spracovania obsahu. Dnes mnoho počítačových IT spoločností používa túto technológiu na vytváranie počítačových robotov a chatovacích robotov. Najznámejšie z nich Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) boli vytvorené pomocou tejto technológie.
Tento kurz bude skúmať množstvo neurónových sietí implementovaných v Pythone pomocou knižnice Tensorflow, konkrétne PyTorch, vyvinutej v roku 2017. Tieto algoritmy tvoria základ pre riešenie problémov počítačového videnia a čítania, no nevyčerpávajú ho, keďže táto oblasť sa neustále vyvíja a zdokonaľuje.
- interakcia s tenzormi v Pythone
- zoznámiť sa so základmi PyTorch
- prehĺbiť svoje znalosti Pythonu
- zoznámiť sa so spracovaním obrazu pomocou neurónových sietí a Pythonu
- oboznámiť sa so spracovaním reči a textu
Učiteľ kurzov Pythonu pre strojové učenie. Vladimir Gennadievich je skúsený odborník, kandidát fyzikálnych a matematických vied a aktívny výskumník.
Vo svojej práci využíva metódy strojového učenia a automatizácie zberu dát pomocou programovacích jazykov Python, R, C++, Verilog.
Vladimir Gennadievich je členom komunity výskumníkov Research Gate a neustále sleduje, ako sa programovanie používa vo vede a modernom vývoji. So svojimi poslucháčmi sa delí o know-how a aktuálne techniky, vďaka ktorým budú ich projekty lepšie a na svetovej úrovni.
Vladimir Gennadievich publikoval 56 článkov v publikáciách ako Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics“, „Fyzika a technológia polovodičov“. Vladimir Gennadievich sa nielen podieľa na rozvoji vedy a zdieľa svoje úspechy s kolegami, ale úspešne ich využíva aj v praxi:
Vladimir Gennadievich ako učiteľ-vedec kladie vývoj a aplikáciu nových technológií na prvé miesto. Pri učení, vrátane strojového, je pre neho hlavné preniknúť do podstaty javov, pochopiť všetky procesy a nezapamätať si pravidlá, kód či syntax technických prostriedkov. Jeho krédom je prax a hlboké ponorenie sa do práce!
Praktický učiteľ s 25-ročnou praxou v oblasti informačných technológií. Expert na Full-Stack vývoj webových systémov s využitím (MySQL, PHP/Python, nginx, HTML5), dátovú analýzu a vizualizáciu pomocou Pythonu (Pandas, SKLearn, Keras), vývoj...
Praktický učiteľ s 25-ročnou praxou v oblasti informačných technológií. Expert na Full-Stack vývoj webových systémov pomocou (MySQL, PHP/Python, nginx, HTML5), dátovú analýzu a vizualizáciu pomocou Pythonu (Pandas, SKLearn, Keras), vývoj rozhraní na výmenu dát medzi systémami pomocou technológií REST, SOAP, EDIFACT, správa webových serverov na Debian GNU Linux (php/nginx/mariadb), tvorba technickej a užívateľskej dokumentácie (v ruštine a anglické jazyky).
Prešiel som od vývojára linky až po riaditeľa IT vlastnej spoločnosti. Za 25 rokov vytvoril okolo 20 podnikových informačných systémov/databáz, viac ako 50 prototypov, 30 webových stránok rôznych veľkostí a obsahu. Pracoval na veľkých projektoch pre spoločnosti ako Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Už 5 rokov patrí medzi TOP 10 vývojárov v Ruskej federácii na phpClasses.org.
Modul 1. Úvod do Pytorcha a tenzorov (4 ac. h.)
- Úvod do kurzu
- Úvod do neurónových sietí
- Čo je PyTorch?
- Prečo používať tenzory?
- Technické požiadavky
- Možnosti cloudu
- Čo sú tenzory
- Operácie s tenzormi
- Workshop na danú tému
Modul 2. Klasifikácia obrázkov (4 ac. h.)
- Nástroje na načítanie a spracovanie údajov v PyTorch
- Vytvorenie súboru tréningových údajov
- Vytvorenie súboru validačných a testovacích údajov
- Neurónová sieť ako tenzor
- Funkcia aktivácie
- Vytváranie siete
- Stratová funkcia
- Optimalizácia
- Workshop, implementácia na GPU
Modul 3. Konvolučné neurónové siete (6 ac. h.)
- Vybudovanie jednoduchej konvolučnej neurónovej siete v PyTorch
- Kombinovanie vrstiev v sieti (Pooling)
- Regulácia neurónovej siete (Dropout)
- Použitie trénovaných neurónových sietí
- Štúdium štruktúry neurónovej siete
- Dávková normalizácia (Batchnorm)
- Workshop na danú tému
Modul 4. Použitie a prenos trénovaných modelov (5 ac. h.)
- Použitie ResNet
- Výber podľa rýchlosti učenia
- Gradient rýchlosti učenia
- Rozšírenie dát pre rekvalifikáciu
- Používanie konvertorov Torchvision
- Farebné a lambda prevodníky
- Vlastné prevodníky
- Súbory
- Workshop na danú tému
Modul 5. Klasifikácia textu (5 ak. h.)
- Rekurentné neurónové siete
- Neurónové siete s pamäťou
- Knižnica s pochodňovým textom