0
Bekeken
Neurale netwerken. Computervisie en lezen (NLP). – tarief 31990 wrijven. van Specialist, opleiding 24 academische uren, datum: 11 december 2023.
Gemengde Berichten / / December 03, 2023
Neurale netwerken - stevig verankerde moderne technologie voor inhoudverwerking. Tegenwoordig gebruiken veel IT-computerbedrijven deze technologie om computerrobots en chatbots te maken. De bekendste van hen Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google en Google Translate (Google) zijn gemaakt met behulp van deze technologie.
Deze cursus onderzoekt een aantal neurale netwerken die in Python zijn geïmplementeerd met behulp van de Tensorflow-bibliotheek, namelijk PyTorch, ontwikkeld in 2017. Deze algoritmen vormen de basis voor het oplossen van problemen op het gebied van computervisie en lezen, maar putten deze niet uit, aangezien dit gebied zich voortdurend ontwikkelt en verbetert.
- interactie met tensoren in Python
- maak kennis met de basisprincipes van PyTorch
- Verdiep je kennis van Python
- Kennis maken met beeldverwerking met behulp van neurale netwerken en Python
- vertrouwd raken met spraak- en tekstverwerking
Docent van Python-cursussen voor machine learning. Vladimir Gennadievich is een ervaren beoefenaar, kandidaat in de natuur- en wiskundige wetenschappen en actief onderzoeker.
In zijn werk gebruikt hij methoden van machine learning en automatisering van gegevensverzameling met behulp van de programmeertalen Python, R, C++, Verilog.
Vladimir Gennadievich is lid van de Research Gate-gemeenschap van onderzoekers en houdt voortdurend in de gaten hoe programmeren wordt gebruikt in de wetenschap en moderne ontwikkelingen. Hij deelt met zijn luisteraars de knowhow en huidige technieken die zullen helpen hun projecten beter en van wereldklasse te maken.
Vladimir Gennadievich publiceerde 56 artikelen in publicaties als Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich neemt niet alleen deel aan de ontwikkeling van de wetenschap en deelt zijn prestaties met collega's, maar gebruikt ze ook met succes in de praktijk:
Vladimir Gennadievich zet als leraar-wetenschapper de ontwikkeling en toepassing van nieuwe technologieën op de eerste plaats. Bij leren, inclusief machinaal leren, is het belangrijkste voor hem om door te dringen tot de essentie van verschijnselen, om alle processen te begrijpen, en niet om de regels, code of syntaxis van technische middelen uit het hoofd te leren. Zijn credo is oefenen en diepe onderdompeling in het werk!
Praktijkdocent met 25 jaar ervaring op het gebied van informatietechnologie. Expert in Full-Stack ontwikkeling van websystemen met behulp van (MySQL, PHP/Python, nginx, HTML5), data-analyse en visualisatie met behulp van Python (Pandas, SKLearn, Keras), ontwikkeling...
Praktijkdocent met 25 jaar ervaring op het gebied van informatietechnologie. Expert in Full-Stack ontwikkeling van websystemen met behulp van (MySQL, PHP/Python, nginx, HTML5), data-analyse en visualisatie met behulp van Python (Pandas, SKLearn, Keras), ontwikkeling van interfaces voor gegevensuitwisseling tussen systemen met behulp van REST-, SOAP- en EDIFACT-technologieën, het beheren van webservers op Debian GNU Linux (php/nginx/mariadb), het creëren van technische en gebruikersdocumentatie (in het Russisch en Engelse talen).
Van lijnontwikkelaar ben ik uitgegroeid tot IT-directeur van mijn eigen bedrijf. In de loop van 25 jaar heeft hij ongeveer 20 bedrijfsinformatiesystemen/databases, meer dan 50 prototypes en 30 websites van verschillende grootte en inhoud gecreëerd. Gewerkt aan grote projecten voor bedrijven als Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Al 5 jaar behoort hij tot de TOP 10 ontwikkelaars in de Russische Federatie op phpClasses.org.
Module 1. Inleiding tot Pytorch en tensoren (4 ac. H.)
- Inleiding tot de cursus
- Inleiding tot neurale netwerken
- Wat is PyTorch?
- Waarom tensoren gebruiken?
- Technische benodigdheden
- Cloudmogelijkheden
- Wat zijn tensoren
- Operaties met tensoren
- Workshop over het onderwerp
module2. Beeldclassificatie (4 ac. H.)
- Tools voor het laden en verwerken van gegevens in PyTorch
- Het creëren van een trainingsdataset
- Creëren van validatie- en testdataset
- Neuraal netwerk als tensoren
- Activeringsfunctie
- Netwerkcreatie
- Verliesfunctie
- Optimalisatie
- Workshop, implementatie op GPU
module3. Convolutionele neurale netwerken (6 ac. H.)
- Het bouwen van een eenvoudig convolutioneel neuraal netwerk in PyTorch
- Lagen combineren in een netwerk (Pooling)
- Regularisatie van neurale netwerken (drop-out)
- Gebruik van getrainde neurale netwerken
- Studie van de structuur van het neurale netwerk
- Batchnormalisatie (Batchnorm)
- Workshop over het onderwerp
module4. Gebruik en overdracht van getrainde modellen (5 ac. H.)
- ResNet gebruiken
- Selectie op leersnelheid
- Leersnelheidsgradiënt
- Gegevensuitbreiding voor omscholing
- Torchvision-converters gebruiken
- Kleur- en lambda-omvormers
- Aangepaste converters
- Ensembles
- Workshop over het onderwerp
module5. Tekstclassificatie (5 ac. H.)
- Terugkerende neurale netwerken
- Neurale netwerken met geheugen
- Torchtext-bibliotheek
Inschrijven
YOU MIGHT ALSO LIKE
