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:

26 czerwca
Trwają zapisy na szkolenie
-

Cena:

4750 PLN netto+23% VAT

Lokalizacja:

Lokalizacja:

ZdalneWarszawaŁódźPoznańKrakówWrocławGdańskKatowiceBydgoszczGdynia

Nie odpowiada Ci żaden z dostępnych terminów?

Zapytaj 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?

  • 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
  • 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

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 (multilayer perceptron)

  • 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

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)
  • Learning rate scheduling (manipulacja wielkością współczynnika uczenia)

Konwolucyjne sieci neuronowe - przetwarzanie obrazów

  • 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

Rekurencyjne sieci neuronowe

  • Sieć rekurencyjna prosta
  • Sieć LSTM
  • Sieć GRU
  • Klasyfikacja tekstów
  • Predykcja szeregów czasowych

Wektorowe reprezentacje słów

  • Wektory słowne (word embeddings)
  • Model word2vec, CBOW, skip-gram
  • Własności wektorów słownych

Sieci neuronowe o nielinearnej strukturze

  • Implementacja sieci z rozgałęzieniami - Functional API
  • Sieci o wielu kanałach wejściowych
  • Multitasking - sieci wykonujące wiele zadań jednocześnie

Praca z sieciami neuronowymi:

  • Optymalizacja struktury i hiperparametrów sieci
  • Interaktywna analiza przebiegu procesu uczenia sieci - TensorBoard
  • 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