Deep learning

4750 PLN+23% VAT (5842 PLN brutto / 1 os.)

Czas trwania szkolenia:4 dni (32h)

Kod kursu:DL/N

Poziom zaawansowania:
cnnrnnlstmgru

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

6 maj
Trwają zapisy na szkolenieOferta specjalna

Trener:

Norbert Ryciak

Cena:

4750 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

15 lipiec
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

4750 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

28 październik
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

4750 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Interesuje Cię szkolenie stacjonarne lub nie odpowiada Ci żaden z dostępnych terminów?

Ikona pytaniaZapytaj o szkolenie

O szkoleniu Deep learning

W cenie otrzymasz:

  • Materiały szkoleniowe
  • Certyfikat ukończenia szkolenia
  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Dla kogo?

  • Osób, które chcą rozpocząć pracę z wykorzystaniem sieci neuronowych lub poszerzyć swoją wiedzę w tym obszarze
  • Programistów, analityków danych, programistów baz danych, statystyków, data scientist z niewielkim doświadczeniem
  • Wszystkich osób, które znają podstawy uczenia maszynowego

Wymagania

  • Od uczestników szkolenia wymagana jest podstawowa znajomość języka Python oraz znajomość podstaw uczenia maszynowego: wiedza na czym polegają problemy klasyfikacji i regresji, znajomość modeli regresji liniowej i logistycznej. Wymagana jest również podstawowa wiedza matematyczna: działania na macierzach, pochodne funkcji

Zalety

  • Poznanie modeli przekraczających możliwości klasycznych algorytmów uczenia maszynowego
  • Poznanie metod, które zrewolucjonizowały wiele obszarów biznesowych, w szczególności przetwarzanie obrazów i przetwarzanie języka naturalnego
  • Bardzo dokładne omówienie fundamentów, niezbędnych dla zrozumienia algorytmów głębokiego uczenia oraz efektywnej pracy i rozwoju w tym obszarze
  • Przedstawienie zaawansowanych zagadnień w przystępny sposób
  • Duża dawka praktycznej wiedzy i umiejętności, pozwalających na rozpoczęcie pracy z wykorzystaniem deep learningu

Cele szkolenia

  • Zdobycie specjalistycznej wiedzy z obszaru metod głębokiego uczenia - deep learning
  • Zdobycie praktycznych umiejętności implementacji i zastosowania omawianych algorytmów z wykorzystaniem biblioteki TensorFlow.Keras
  • Poznanie metodologii pracy z sieciami neuronowymi

Program

Wprowadzenie

  • Co potrafią sieci neuronowe i kiedy należy je stosować
  • Uczenie głębokie a klasyczne uczenie maszynowe
  • Wady i zalety sieci neuronowych

Proste sieci neuronowe - perceptron wielowarstwowy

  • Inspiracja biologiczna
  • Neurony - zasada działania
  • Funkcje aktywacji
  • Mechanizm uczenia sieci: metoda spadku gradientu, epoka, batch, early stopping
  • Zjawisko przeuczenia sieci (ang. *overfitting*)
  • Struktury sieci dla problemów regresji, klasyfikacji, klasyfikacji wieloetykietowej
  • Implementacja sieci neuronowych w `TensorFlow.Keras`
  • Praktyczne wykorzysstanie sieci dla problemów na danych tabelarycznych

Algorytmy uczenia sieci neuronowych

  • SGD (metoda stochastycznego spadku gradientu)
  • SGD with momentum
  • Nesterov Accelerated Gradient
  • Adagrad
  • RMSProp
  • Adam

Strojenie procesu uczenia sieci

  • Inicjalizacja wag sieci
  • Regularyzacja klasyczna: l1, l2
  • Regularyzacja dropout
  • Normalizacja gradientu
  • Gradient clipping (przycinanie gradientu)
  • Batch normalization (normalizacja wsadowa)
  • Manipulacja wielkością współczynnika uczenia

Przetwarzanie obrazów: konwolucyjne sieci neuronowe

  • Operacja splotu (konwolucji) w kontekście przetwarzaniu obrazów
  • Operacja poolingu
  • Wielowarstwowe sieci konwolucyjne
  • Klasyfikacja obrazów
  • Data augmentation - techniki rozszerzania zbioru uczącego w przetwarzaniu obrazów
  • Transfer learning - wykorzystanie gotowych, potężnych sieci neuronowych, uczonych na gigantycznych zbiorach danych

Przetwarzania języka naturalnego (NLP): rekurencyjne sieci neuronowe

  • Sieć rekurencyjna prosta
  • Sieć LSTM
  • Sieć GRU
  • Klasyfikacja tekstów

Wektorowe reprezentacje słów

  • Zanurzenia słów (ang. *word embeddings*)
  • Model word2vec, CBOW, skip-gram
  • Własności zanurzeń słów

Sieci neuronowe o nielinearnej strukturze

  • Implementacja sieci z rozgałęzieniami - Functional API
  • Obsługa danych wielomodalnych - sieci o wielu kanałach wejściowych
  • Multitasking - sieci wykonujące wiele zadań jednocześnie, klasyfikacja wieloetykietowa

Uzupełniające praktyczne i techniczne aspekty pracy z sieciami neuronowymi

  • Optymalizacja struktury i hiperparametrów sieci
  • Checkpoints - serializacja modelu w trakcie uczenia
  • Zapis i wczytywanie modelu

Podsumowanie

  • Co dalej - przegląd technik zaawansowanych
  • Przegląd najnowszych osiągnięć deep learningu

To szkolenie jest częścią ścieżki

Podobne szkolenia