Szkolenie: Deep learning
Szkolenie deep learning to praktyczny kurs, który uczy projektowania, trenowania i wdrażania sieci neuronowych, konwolucyjnych i rekurencyjnych, przygotowując do pracy z analizą obrazów i przetwarzaniem języka naturalnego
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:4 dni (32h)
Kod kursu:DL/N
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
4125 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
4125 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4125 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4125 PLN nettoLokalizacja:
ZdalneDeep learning
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania, trenowania i wdrażania modeli głębokiego uczenia z wykorzystaniem nowoczesnych bibliotek
Szkolenie uczy praktycznego zastosowania sieci neuronowych do analizy danych, przetwarzania obrazów oraz tekstu w codziennej pracy
Szkolenie omawia metody optymalizacji, strojenia i ewaluacji modeli deep learning, umożliwiając skuteczne rozwiązywanie problemów biznesowych
Dla kogo?
Programistów, analityków danych i data scientistów z podstawową znajomością uczenia maszynowego i Pythona
Osób rozpoczynających pracę z sieciami neuronowymi, chcących rozwinąć praktyczne umiejętności deep learning
Specjalistów IT, którzy chcą wdrażać rozwiązania oparte na analizie obrazów lub przetwarzaniu języka naturalnego
Efekty kształcenia
Uczestnik projektuje i implementuje modele sieci neuronowych do różnych typów danych
Uczestnik analizuje i optymalizuje proces uczenia modeli głębokiego uczenia
Uczestnik stosuje techniki regularyzacji i zapobiega przeuczeniu modeli
Uczestnik wdraża konwolucyjne i rekurencyjne sieci neuronowe w praktyce
Uczestnik wykorzystuje transfer learning i data augmentation w zadaniach analizy obrazów
Uczestnik ocenia skuteczność i poprawność działania modeli deep learning
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
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.KerasPraktyczne 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…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
