Neuronske mreže. Računalni vid i čitanje (NLP). — stopa 31990 rub. od specijalista, obuka 24 akademska sata, datum: 11. prosinca 2023.
Miscelanea / / December 03, 2023
Neuronske mreže - čvrsto utemeljena moderna tehnologija obrade sadržaja. Danas mnoge računalne IT korporacije koriste ovu tehnologiju za stvaranje računalnih robota i chat botova. Najpoznatiji od njih Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) stvoreni su pomoću ove tehnologije.
Ovaj će tečaj ispitati brojne neuronske mreže implementirane u Python pomoću biblioteke Tensorflow, odnosno PyTorch, razvijene 2017. Ovi algoritmi čine temelj za rješavanje problema računalnog vida i čitanja, ali ga ne iscrpljuju jer se ovo područje stalno razvija i usavršava.
- komunicirati s tenzorima u Pythonu
- upoznati se s osnovama PyTorcha
- produbite svoje znanje o Pythonu
- upoznati se s obradom slike pomoću neuronskih mreža i Pythona
- upoznati se s obradom govora i teksta
Predavač Python tečajeva za strojno učenje. Vladimir Gennadievich je iskusan praktičar, kandidat fizikalnih i matematičkih znanosti i aktivni istraživač.
U svom radu koristi metode strojnog učenja i automatizacije prikupljanja podataka korištenjem programskih jezika Python, R, C++, Verilog.
Vladimir Gennadievich član je zajednice istraživača Research Gate i stalno prati kako se programiranje koristi u znanosti i suvremenom razvoju. Sa svojim slušateljima dijeli znanje i aktualne tehnike koje će pomoći da njihovi projekti budu bolji i na svjetskoj razini.
Vladimir Gennadievich objavio je 56 članaka u publikacijama kao što su Physical Review B, Physica E, “Journal of Experimental and Theoretical Physics”, “Physics and Technology of Semiconductors”. Vladimir Gennadievich ne samo da sudjeluje u razvoju znanosti i dijeli svoja postignuća s kolegama, već ih i uspješno koristi u praksi:
Vladimir Gennadievich, kao nastavnik-znanstvenik, na prvo mjesto stavlja razvoj i primjenu novih tehnologija. U učenju, uključujući i strojno učenje, glavno mu je prodrijeti u bit fenomena, razumjeti sve procese, a ne pamtiti pravila, kod ili sintaksu tehničkih sredstava. Njegov kredo je praksa i duboka uronjenost u posao!
Učitelj praktične nastave s 25 godina iskustva u području informatike. Stručnjak za Full-Stack razvoj web sustava korištenjem (MySQL, PHP/Python, nginx, HTML5), analizu podataka i vizualizaciju korištenjem Pythona (Pandas, SKLearn, Keras), razvoj...
Učitelj praktične nastave s 25 godina iskustva u području informatike. Stručnjak za Full-Stack razvoj web sustava pomoću (MySQL, PHP/Python, nginx, HTML5), analizu podataka i vizualizaciju pomoću Pythona (Pandas, SKLearn, Keras), razvoj sučelja za razmjenu podataka između sustava korištenjem REST, SOAP, EDIFACT tehnologija, administriranje web poslužitelja na Debian GNU Linux (php/nginx/mariadb), izrada tehničke i korisničke dokumentacije (na ruskom i engleski jezici).
Prošao sam cijeli put od line developera do IT direktora vlastite tvrtke. Tijekom 25 godina izradio je oko 20 korporativnih informacijskih sustava/baza podataka, više od 50 prototipova, 30 web stranica različitih veličina i sadržaja. Radio je na velikim projektima za tvrtke kao što su Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Već 5 godina je među TOP 10 programera u Ruskoj Federaciji na phpClasses.org.
Modul 1. Uvod u Pytorch i tenzore (4 ak. h.)
- Uvod u tečaj
- Uvod u neuronske mreže
- Što je PyTorch?
- Zašto koristiti tenzore?
- Tehnički zahtjevi
- Mogućnosti oblaka
- Što su tenzori
- Operacije s tenzorima
- Radionica na temu
Modul 2. Klasifikacija slike (4 ac. h.)
- Alati za učitavanje i obradu podataka u PyTorchu
- Stvaranje skupa podataka za obuku
- Izrada skupa podataka za validaciju i testiranje
- Neuronske mreže kao tenzori
- Funkcija aktivacije
- Stvaranje mreže
- Funkcija gubitka
- Optimizacija
- Radionica, implementacija na GPU
Modul 3. Konvolucijske neuronske mreže (6 ac. h.)
- Izgradnja jednostavne konvolucijske neuronske mreže u PyTorchu
- Kombiniranje slojeva u mreži (pooling)
- Regulacija neuronske mreže (Dropout)
- Korištenje obučenih neuronskih mreža
- Proučavanje strukture neuronske mreže
- Normalizacija serije (Batchnorm)
- Radionica na temu
Modul 4. Korištenje i prijenos uvježbanih modela (5 ak. h.)
- Korištenje ResNeta
- Odabir po brzini učenja
- Gradijent brzine učenja
- Proširenje podataka za prekvalifikaciju
- Korištenje Torchvision pretvarača
- Konvertori boja i lambda
- Prilagođeni pretvarači
- Ansambli
- Radionica na temu
Modul 5. Klasifikacija teksta (5 ak. h.)
- Rekurentne neuronske mreže
- Neuronske mreže s memorijom
- Biblioteka Torchtext