Neuroniniai tinklai. Kompiuterinis matymas ir skaitymas (NLP). - norma 31990 rub. nuo Specialisto, mokymas 24 akademinės valandos, data: 2023 m. gruodžio 11 d.
įvairenybės / / December 03, 2023
Neuroniniai tinklai - tvirtai įsitvirtinusi moderni turinio apdorojimo technologija. Šiandien daugelis kompiuterių IT korporacijų naudoja šią technologiją kompiuteriniams robotams ir pokalbių robotams kurti. Žymiausi iš jų Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) buvo sukurti naudojant šią technologiją.
Šiame kurse bus nagrinėjama daugybė neuroninių tinklų, įdiegtų Python naudojant Tensorflow biblioteką, būtent PyTorch, sukurtą 2017 m. Šie algoritmai sudaro kompiuterinio matymo ir skaitymo problemų sprendimo pagrindą, tačiau jo neišsemia, nes ši sritis nuolat tobulėja ir tobulėja.
- bendrauti su tenzoriais Python
- susipažinti su PyTorch pagrindais
- pagilinti savo Python žinias
- susipažinti su vaizdo apdorojimu naudojant neuroninius tinklus ir Python
- susipažinti su kalbos ir teksto apdorojimu
Python kursų mašininio mokymosi mokytojas. Vladimiras Gennadjevičius yra patyręs praktikas, fizinių ir matematikos mokslų kandidatas ir aktyvus tyrinėtojas.
Savo darbe jis naudoja mašininio mokymosi ir duomenų rinkimo automatizavimo metodus, naudodamas programavimo kalbas „Python“, „R“, „C++“, „Verilog“.
Vladimiras Gennadjevičius yra „Research Gate“ tyrėjų bendruomenės narys ir nuolat stebi, kaip programavimas naudojamas moksle ir šiuolaikiniuose pasiekimuose. Jis dalijasi su savo klausytojais žiniomis ir dabartinėmis technikomis, kurios padės padaryti jų projektus geresnius ir pasaulinio lygio.
Vladimiras Gennadjevičius paskelbė 56 straipsnius tokiuose leidiniuose kaip „Physical Review B“, „Physica E“, „Journal of Experimental and Theoretical Physics“, „Puslaidininkių fizika ir technologija“. Vladimiras Gennadjevičius ne tik dalyvauja plėtojant mokslą ir dalijasi savo pasiekimais su kolegomis, bet ir sėkmingai juos panaudoja praktikoje:
Vladimiras Gennadjevičius, kaip mokytojas-mokslininkas, į pirmąją vietą iškelia naujų technologijų kūrimą ir taikymą. Mokantis, įskaitant mašininį mokymąsi, jam svarbiausia įsiskverbti į reiškinių esmę, suprasti visus procesus, o ne įsiminti techninių priemonių taisykles, kodą ar sintaksę. Jo kredo – praktika ir gilus pasinėrimas į darbą!
Praktinis mokytojas, turintis 25 metų patirtį informacinių technologijų srityje. „Full-Stack“ žiniatinklio sistemų kūrimo, naudojant (MySQL, PHP/Python, nginx, HTML5), duomenų analizės ir vizualizacijos naudojant Python (Pandas, SKLearn, Keras), kūrimo ekspertas...
Praktinis mokytojas, turintis 25 metų patirtį informacinių technologijų srityje. „Full-Stack“ žiniatinklio sistemų kūrimo, naudojant (MySQL, PHP/Python, nginx, HTML5), duomenų analizės ir vizualizacijos naudojant Python ekspertas (Pandas, SKLearn, Keras), duomenų mainų sąsajų tarp sistemų kūrimas naudojant REST, SOAP, EDIFACT technologijas, administruoti žiniatinklio serverius Debian GNU Linux (php/nginx/mariadb), kurti techninę ir vartotojo dokumentaciją (rusų ir anglų kalbos).
Ėjau nuo linijos kūrėjo iki savo įmonės IT direktoriaus. Per 25 metus sukūrė apie 20 įmonių informacinių sistemų/duomenų bazių, daugiau nei 50 prototipų, 30 įvairaus dydžio ir turinio svetainių. Dirbo su dideliais projektais tokioms įmonėms kaip Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. 5 metus jis buvo tarp 10 geriausių Rusijos Federacijos kūrėjų phpClasses.org.
1 modulis. Įvadas į Pytorchą ir tenzorius (4 ak. h.)
- Įvadas į kursą
- Įvadas į neuroninius tinklus
- Kas yra PyTorch?
– Kam naudoti tenzorius?
- Techniniai reikalavimai
- Debesų galimybės
– Kas yra tenzoriai
- Operacijos su tenzoriais
- Seminaras šia tema
2 modulis. Vaizdo klasifikacija (4 ak. h.)
- Įrankiai duomenims įkelti ir apdoroti „PyTorch“.
- Treniruočių duomenų rinkinio kūrimas
- Patvirtinimo ir testavimo duomenų rinkinio sukūrimas
- Neuroninis tinklas kaip tenzoriai
- Aktyvinimo funkcija
- Tinklo kūrimas
- Praradimo funkcija
- Optimizavimas
- Seminaras, diegimas ant GPU
3 modulis. Konvoliuciniai neuroniniai tinklai (6 ak. h.)
- Sukurkite paprastą konvoliucinį neuroninį tinklą „PyTorch“.
- Sluoksnių sujungimas tinkle (jungimas)
- Neuroninio tinklo reguliavimas (iškritimas)
- Išmokytų neuroninių tinklų naudojimas
- Neuroninio tinklo struktūros tyrimas
- Paketų normalizavimas (Batchnorm)
- Seminaras šia tema
4 modulis. Išmokytų modelių naudojimas ir perdavimas (5 ak. h.)
- Naudojant ResNet
- Pasirinkimas pagal mokymosi greitį
- Mokymosi greičio gradientas
- Duomenų išplėtimas perkvalifikavimui
- Naudojant Torchvision keitiklius
- Spalvų ir lambda keitikliai
- Individualūs keitikliai
– Ansambliai
- Seminaras šia tema
5 modulis. Teksto klasifikacija (5 ak. h.)
- Pasikartojantys neuroniniai tinklai
- Neuroniniai tinklai su atmintimi
- Torchtext biblioteka