Trwają zapisy do grupy

Szkolenie: Deep learning

Szkolenie pokrywa powszechnie stosowane w praktyce metody głębokiego uczenia i dostarcza kompetencji pozwalających na efektywne wykorzystanie sieci neuronowych w codziennej pracy.

  • Trenerzy praktycy
  • Kameralne grupy

Czas trwania szkolenia:4 dni (32h)

Poziom zaawansowania:

Kod kursu:DL/N

cnnrnnlstmgru

Dostępne terminy szkolenia

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

16 grudnia
Termin gwarantowanyTrwają zapisy na szkolenieOferta specjalna

Trener:

Norbert Ryciak

Cena:

4125 PLN netto
Ikona podpowiedziDowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT

Lokalizacja:

Zdalne
Zdalne
Ikona podpowiedziZapytaj o inne lokalizacje - w tym celu skorzystaj z chatu

Termin:

7 stycznia
Trwają zapisy na szkolenie

Trener:

Norbert Ryciak

Cena:

4125 PLN netto
Ikona podpowiedziDowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT

Lokalizacja:

Zdalne
Zdalne
Ikona podpowiedziZapytaj o inne lokalizacje - w tym celu skorzystaj z chatu

Termin:

22 kwietnia
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

4125 PLN netto
Ikona podpowiedziDowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT

Lokalizacja:

Zdalne
Zdalne
Ikona podpowiedziZapytaj o inne lokalizacje - w tym celu skorzystaj z chatu

Termin:

21 lipca
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

4125 PLN netto
Ikona podpowiedziDowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT

Lokalizacja:

Zdalne
Zdalne
Ikona podpowiedziZapytaj o inne lokalizacje - w tym celu skorzystaj z chatu

Forma szkolenia

Interesuje Cię szkolenie stacjonarne?

Powiadom o kolejnych terminach

Interesuje Cię szkolenie w innym terminie?

Deep learning

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


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


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


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


W cenie otrzymasz:

  • Materiały szkoleniowe

  • Certyfikat ukończenia szkolenia

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

Program szkolenia

Pobierz program w PDF

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

Autorem szkolenia jest 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…

Podobne szkolenia