+48 22 203 56 00 biuro@sages.pl
Szkolenie dostępne na zamówienie

Szkolenie: Nienadzorowana reprezentacja, autoenkodery i modele generatywne

Szkolenie z nienadzorowanego uczenia głębokiego uczy budowy reprezentacji danych, autoenkoderów i modeli generatywnych, takich jak VAE i GAN, umożliwiając praktyczne zastosowanie nowoczesnych algorytmów deep learning do analizy i generowania danych

  • Trenerzy praktycy
  • Kameralne grupy

Czas trwania szkolenia:3 dni (24h)

Poziom zaawansowania:

Kod kursu:DL/NRAMG

neural-networks

Szkolenie na zamówienie

  • Dostosowany program
  • Indywidualna wycena
  • Dowolny termin
Zapytanie o szkolenie

Nienadzorowana reprezentacja, autoenkodery i modele generatywne

Cele szkolenia

  • Szkolenie przygotowuje do samodzielnego projektowania i wdrażania nienadzorowanych reprezentacji danych z wykorzystaniem nowoczesnych algorytmów głębokiego uczenia

  • Szkolenie uczy stosowania architektur autoenkoderów, modeli generatywnych oraz metod kontrastywnych do analizy i przetwarzania danych bez etykiet

  • Szkolenie pokazuje praktyczne zastosowania modeli generatywnych do generowania, interpolacji i modyfikacji danych w środowisku Python

Dla kogo?

  • Specjaliści ds. uczenia maszynowego i deep learningu z doświadczeniem w pracy z sieciami neuronowymi i Pythonem

  • Analitycy danych oraz programiści wdrażający modele generatywne lub nienadzorowane w projektach komercyjnych i badawczych

  • Osoby rozwijające kompetencje w zakresie nowoczesnych metod reprezentacji danych i sztucznej inteligencji

Efekty kształcenia

  • Uczestnik projektuje nienadzorowane reprezentacje danych w oparciu o deep learning

  • Uczestnik analizuje i wdraża autoenkodery oraz ich warianty do różnych zastosowań

  • Uczestnik stosuje modele generatywne, takie jak VAE i GAN, do generowania i modyfikacji danych

  • Uczestnik rozróżnia i porównuje metody kontrastywne oraz modele gęstościowe

  • Uczestnik implementuje algorytmy w środowisku Python i PyTorch

  • Uczestnik ocenia jakość uzyskanych reprezentacji i generowanych danych

Wymagania

  • Od uczestników szkolenia wymagana jest znajomość podstaw działania sieci neuronowych oraz znajomość narzędzi do ich implementacji w języku Python (np. PyTorch)

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

Wstęp do reprezentacji danych w modelach uczenia maszynowego

  • Reprezentacje nadzorowane

  • Reprezentacje nienadzorowane oraz ich zalety

Metody budowania reprezentacji nienadzorowanych

  • Metody kontrastywne (contrastive learning)

  • Budowanie reprezentacji za pomocą AutoEnkoderów

Różne warianty AutoEnkodera oraz ich zastosowania

  • Denoising AutoEncoder i usuwanie szumu w danych

  • Imputacja oraz kompresja danych z wykorzystaniem AutoEnkoderów

  • Detekcja odstających obserwacji

  • Wasserstein AutoEncoder

  • Rozszerzenie AutoEnkodera do modeli generatywnych (VAE)

  • Generowanie danych, interpolacja między danymi i manipulacja danymi z wykorzystaniem AutoEnkoderów

Modele typu GAN

  • Uczenie przeciwstawne

  • Generowanie fotorealistycznych zdjęć z użyciem GANów

  • Modyfikowanie danych: text-to-speech oraz image impainting

Modele gęstościowe

  • Podstawy działania modeli gęstościowych

  • GLOW

  • FFJORD

Wybrane opinie

Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi

4.8
Ikona podpowiedziŚrednia ocen Sages w serwisie Google Ocena pochodzi ze średniej ocen Sages w serwisie Google i nie jest weryfikowana

13.10.2023

Uczestnik szkolenia “Nienadzorowana reprezentacja, autoenkodery i modele generatywne”

przedstawiona wiedza zawierała zarówno teorię jak i zadania praktyczne, prelegenci starali się dostosować tempo do uczestników, a także potrafili odpowiadać na pytania

Więcej opinii

Podobne szkolenia

Deep learning

Liczba dni: 4
4125 PLN

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

neural-networksgrulstmrnn

Zastosowania SOTA w przetwarzaniu konkretnych danych

Liczba dni: 2
Na zamówienie

Szkolenie z zastosowań SOTA w przetwarzaniu danych uczy praktycznego wykorzystania najnowszych modeli głębokiego uczenia do analizy tekstu, grafów i chmur punktów 3D, skupiając się na efektywności, wdrażaniu i optymalizacji rozwiązań AI

neural-networks

Zwiększanie wydajności sieci neuronowych

Liczba dni: 3
Na zamówienie

Szkolenie z wydajności sieci neuronowych uczy optymalizacji modeli deep learning, takich jak kwantyzacja, pruning, uczenie ciągłe i transfer learning, przygotowując do wdrażania nowoczesnych rozwiązań AI w środowiskach o ograniczonych zasobach

neural-networks