Deep learning

LICZBA DNI: 4 (32h)

KOD KURSU: DL/N

POZIOM SZKOLENIA:

# neural-networks

# cnn

# rnn

# lstm

# gru

Szkolenie na zamówienie

Szkolenie dostosowane do potrzeb Twojego zespołu. Dostępne WYŁĄCZNIE na zamówienie.

  • Dostosowany program
  • Indywidualna wycena
  • Dowolny termin

Interesuje Cię ta tematyka i szukasz szkolenia tylko dla siebie?

O szkoleniu

DLA KOGO?

Osoby, które chcą rozpocząć pracę z wykorzystaniem sieci neuronowych lub poszerzyć swoją wiedzę w tym obszarze

Programiści, analitycy danych, programiści baz danych, statystycy, data scientist z niewielkim doświadczeniem

Szkolenie adresowane jest do 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

Kameralne grupy - szkolenia technologiczne prowadzimy w grupach liczących do 8 osób. Pozwala to na indywidualne podejście oraz aktywizację każdego uczestnika

Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań

Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką

Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how

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

  • Co potrafią sieci neuronowe i kiedy należy je stosować
  • Uczenie głębokie a klasyczne uczenie maszynowe
  • Wady i zalety sieci neuronowych
  • Inspiracja biologiczna
  • Neurony - zasada działania
  • Funkcje aktywacji
  • Uczenie sieci: metoda spadku gradientu, epoka, batch, early stopping
  • Zjawisko przeuczenia - overfitting
  • Sieci dla problemów regresji, klasyfikacji, klasyfikacji wieloetykietowej
  • Implementacja sieci neuronowych w TensorFlow.Keras
  • SGD (metoda stochastycznego spadku gradientu)
  • SGD with momentum
  • Nesterov Accelerated Gradient
  • Adagrad
  • RMSProp
  • Adam
  • Inicjalizacja wag sieci
  • Regularyzacja klasyczna: l1, l2
  • Regularyzacja dropout
  • Normalizacja gradientu
  • Gradient clipping (przycinanie gradientu)
  • Batch normalization (normalizacja wsadowa)
  • Learning rate scheduling (manipulacja wielkością współczynnika uczenia)
  • Operacja splotu (konwolucji) w kontekście przetwarzaniu obrazów
  • Operacja poolingu
  • Wielowarstwowe sieci konwolucyjne
  • Klasyfikacja obrazów
  • Data augmentation - wzmacnianie sieci poprzez rozszerzanie zbioru uczącego
  • Transfer learning - wykorzystanie gotowych sieci neuronowych uczonych na gigantycznych zbiorach danych
  • Sieć rekurencyjna prosta
  • Sieć LSTM
  • Sieć GRU
  • Klasyfikacja tekstów
  • Predykcja szeregów czasowych
  • Wektory słowne (word embeddings)
  • Model word2vec, CBOW, skip-gram
  • Własności wektorów słownych
  • Implementacja sieci z rozgałęzieniami - Functional API
  • Sieci o wielu kanałach wejściowych
  • Multitasking - sieci wykonujące wiele zadań jednocześnie
  • Optymalizacja struktury i hiperparametrów sieci
  • Interaktywna analiza przebiegu procesu uczenia sieci - TensorBoard
  • Checkpoints - serializacja modelu w trakcie uczenia
  • Zapis i wczytywanie modelu
  • Co dalej - przegląd technik zaawansowanych
  • Przegląd najnowszych osiągnięć deep learningu

Autor szkolenia:

Norbert Ryciak

Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning). W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów - rozpoznawaniem wydźwięku i analizą składniową. Porzucił karierę naukową na rzecz pracy komercyjnej oraz profesjonalnej pracy dydaktycznej. Prowadzi szkolenia i zajęcia na uczelniach, ale przede wszystkim kieruje Bootcampem Data Science Kodołamacza, na którym kształci przyszłych specjalistów data science.

POLITYKA COOKIES:

Korzystamy z plików cookies, by móc jak najlepiej dostosować stronę do Twoich potrzeb oraz wyświetlać Ci przydatne i adekwatnych dla Ciebie reklamy w serwisie i poza nim. Możesz kontrolować ustawienia ciasteczek w swoich ustawieniach swojej przeglądarki. Odwiedzając tę stronę, wyrażasz zgodę na wykorzystywanie przez nas plików cookies.