Schița de curs
Introducere în Învățarea Profundă
- Ce este învățarea profundă și cum diferă de învățarea automată tradițională
- Aplicații reale în vizionarea pe calculator, NLP și altele
- Suportul ecosistemului de învățare profundă: TensorFlow 2.x, Keras, PyTorch
- Configurarea unui mediu de dezvoltare accelerat prin GPU
Mecanica Învățării Profunde
- Neuronii artificiali, funcțiile de activare și straturile rețelei
- Propagarea frontală și calcularea predicțiilor
- Funcții de pierdere pentru sarcini de clasificare și regresie
- Optimizarea prin descensus pe gradient și backpropagation
- Antrenarea primei rețele neurale pe dataset-ul MNIST
Rețele Neurale Convoluționale pentru Vizionare pe Calculator
- Înțelegerea convoluției, filtrelor și hărților de caracteristici
- Straturile de pool și reducerea dimensionalității
- Achitecturi CNN: conceptele LeNet, VGG și ResNet
- Construirea și antrenarea unei CNN pentru clasificarea imaginilor
- Vizualizarea caracteristicilor învățate și a activărilor intermediare
Augmentarea Datelor și Îmbunătățirea Acurateței Modelului
- De ce augmentarea datelor combate overfitting-ul și îmbunătățește generalizarea
- Transformări de imagini: rotație, inversare, zoom și decupare
- Implementarea pipeline-urilor de augmentare cu straturile Keras preprocessing
- Dropout, batch normalization și alte tehnici de regularizare
- Monitorizarea antrenării cu metrici de validare și early stopping
Învățarea prin Transfer cu Modele Preantrenate
- Înțelegerea învățării prin transfer și a motivului pentru care funcționează
- Încărcarea modelelor preantrenate din Keras Applications (ResNet, EfficientNet, MobileNet)
- Extragerea caracteristicilor: înghețarea stratelor de bază și antrenarea clasificatorilor noi
- Fine-tuning: dezghețarea selectivă a stratelor pentru adaptarea la domeniu
- Obținerea unei acurateți înalte cu date limitate de antrenare
Rețele Recurente și Modelarea Secvențială
- Introducere în datele secvențiale și dependențele temporale
- Rețele neurale recurente (RNN) și problema gradientului disipat
- Celulele LSTM și GRU pentru dependențe pe termen lung
- Antrenarea unui model de generare a textului la nivel de caractere
- Word embeddings și straturile Embedding în Keras
Fundamentele Procesării Limbajului Natural
- Pregătirea textului: tokenizare, padding și construirea vocabularului
- Construirea unui clasificator de text cu RNN și LSTM
- Concepte despre modelele sequence-to-sequence pentru traducere automată
- Mecanisme de atenție și rolul lor în NLP modern
- NLP practic cu API-urile de procesare a textului din TensorFlow 2.x
Proiect Final: Captioning Imagini
- Combinarea vizionării pe calculator și NLP într-o arhitectură multimodală
- Extragerea caracteristicilor imaginilor cu un encoder CNN preantrenat
- Construirea unui decoder bazat pe LSTM pentru generarea captioning-ului
- Gestionarea mai multor straturi de intrare în API-ul funcțional Keras
- Antrenarea și evaluarea pipeline-ului end-to-end de captioning
Pașii Următori și Resurse
- Implementarea modelelor antrenate cu TensorFlow Serving
- Explorarea arhitecturilor transformer și a modelelor mari de limbaj
- Laboratoare avansate NVIDIA DLI și căi de certificare
- Resurse comunitare, dataset-uri și idei de proiecte
Cerințe
- Abilități de bază în programarea Python (funcții, bucle, dicționare, vectori)
- Cunoștințe de concepte de programare precum variabilele, condițiile și structurile de date
- Nu se cere experiență anterioară în învățarea profundă sau în învățarea automată
Public țintă
- Programatori și ingineri care fac tranziția către AI și învățarea automată
- Analiști de date și data scientists care doresc să dobândească competențe în învățarea profundă
- Profesioniști tehnici care vor să înțeleagă și să aplice modelele de rețele neurale
- Studenți și cercetători care încep drumul lor în învățarea profundă
Mărturii (2)
Formarea a fost organizată și bine planificată, iar din ea am ieșit cu cunoștințe sistematizate și o perspectivă bună asupra temelor pe care le-am abordat.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curs - Deep Learning with TensorFlow 2
Tradus de catre o masina
Mi-a plăcut foarte mult finalul unde am avut ocazia să jucăm cu CHAT GPT. Sala nu era configuraționată cel mai bine pentru aceasta - ar fi fost mai util să avem câteva mese mici în loc de o masă mare, astfel încât să putem forma grupuri mai mici și să ne brainstorm-urim idei.
Nola - Laramie County Community College
Curs - Artificial Intelligence (AI) Overview
Tradus de catre o masina
