Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Introduktion till djupinlärning
- Vad är djupinlärning och hur skiljer det sig från traditionell maskininlärning
- Verkliga applikationer inom datorseende, NLP och bortom
- Översikt över djupinlärmningsekosystemet: TensorFlow 2.x, Keras, PyTorch
- Konfigurera ett GPU-accelererat utvecklingsmiljö
Djupinläringens mekanismer
- Konstgjorda neuroner, aktiveringsfunktioner och nätverkslager
- Framåtriktad propagationsberäkning (forward propagation) och beräkning av förutsägelser
- Förlustfunktioner för klassificerings- och regressionsuppgifter
- Optimering med gradientnedstigning och backpropagation
- Träna ditt första neurala nätverk på MNIST-datasetet
Konvolutionella neurala nätverk för datorseende
- Förståelse av konvolution, filter och funktionskartor (feature maps)
- Poolningslager och dimensionell reduktion
- CNN-arkitekturer: begrepp kring LeNet, VGG och ResNet
- Bygg och träna ett CNN för bildklassificering
- Visualisera inlärda funktioner och mellanaktiveringar
Dataaugmentering och förbättring av modellens noggrannhet
- Vad dataaugmentering gör mot överanpassning (overfitting) och hur det förbättrar generaliseringen
- Bildtransformationer: rotation, vändning, zoomning och beskärning
- Implementera augmentationsflöden med Keras preprocessoreringslager
- Dropout, batch-normalisering och andra regulariseringstekniker
- Noga övervakad träning via valideringsmetrik och tidig stoppning (early stopping)
Transfer learning med färdigtränade modeller
- Förståelse av transfer learning och varför det fungerar
- Ladda färdigtränade modeller från Keras Applications (ResNet, EfficientNet, MobileNet)
- Funktionsutvinning: låsa baslager och träna nya klassificerare
- Fintuning: lossa ut valda lager för domänanpassning
- Nå hög noggrannhet med begränsad träningsdata
Rekurrenta nätverk och sekvensmodellering
- Introduktion till sekventiell data och temporala beroenden
- Rekurrenta neurala nätverk (RNN) och problemet med avtagande gradient (vanishing gradient)
- LSTM- och GRU-cellerna för långväga beroenden
- Träna en karaktärsnivå-modell för textgenerering
- Ordinläggningar (word embeddings) och Embedding-lagret i Keras
Grundbegrepp inom natural language processing
- Förbehandling av text: tokenisering, padding och ordförrådsbyggnation
- Bygg en textklassificerare med RNN och LSTM
- Modelle för sekvens-till-sekvens (sequence-to-sequence) för maskinöversättning
- Ackumekanismer och deras roll i modern NLP
- Praktisk NLP med TensorFlow 2.x API för textprocessering
Sista projektet: Bildtextning (Image Captioning)
- Kombinera datorseende och NLP i en multimodal arkitektur
- Utvinna funktionskartor från bilder med en CNN-kodare färdigtränad
- Bygg en LSTM-baserad avkodare för generation av texter/captions
- Hantera flera ingångslager i Keras funktionella API:
- Träning och utvärdering av slutna ändan-kedjan (end-to-end) captioning-pipeline
Nästa steg och resurser
- Distribuera tränade modeller med TensorFlow Serving
- Utforska transformer-arkitekturer och stora språkmodeller (LLM)
- Avancerade workshoppers och certifieringsvägar från NVIDIA DLI
- Kommunikationsresurser, dataset och projektförslag
Krav
- Grundläggande kunskaper i programmering med Python (funktioner, loopar, ordböcker/dictionaries och arrayer)
- Kännedom om programmeringsbegrepp såsom variabler, villkorssatser och datastrukturer
- Inga tidigare kunskaper inom djupinlärning eller maskininlärning krävs
Målgrupp
- Mjukvaruutvecklare och ingenjörer som övergår till AI och maskininlärning
- Dataanalytiker och datavetare som vill utveckla färdigheter inom djupinlärning
- Tekniska yrkesverksamma som vill förstå och tillämpa neurala nätverksmodeller
- Studenter och forskare som påbörjar sin resa inom djupinlärning
8 Timmar
Vittnesmål (2)
Träningen var välorganiserad och noggrant planerad, och jag kom ut ur den med systematisk kunskap och en god översikt av de ämnen vi behandlade.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maskintolkat
Jag tyckte verkligen om avslutningen där vi fick testa CHAT GPT. Rummet var dock inte optimerat för detta - istället för en stor bordskonkurrens hade ett par mindre bord hjälpt till att dela upp oss i små grupper och klura ut idéer.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maskintolkat
