Nienadzorowana reprezentacja, autoenkodery i modele generatywne
Czas trwania szkolenia:3 dni (24h)
Kod kursu:DL/NRAMG
Poziom zaawansowania:
O szkoleniu Nienadzorowana reprezentacja, autoenkodery i modele generatywne
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?
- Szkolenie adresowane jest do osób zajmujących się na co dzień głębokim uczeniem, które chcą być na bieżąco z najnowszymi trendami
- W szczególności szkolenie przeznaczone jest dla osób zajmujących się modelami generatywnymi lub uczeniem nienadzorowanym
Wymagania
- Od uczestników szkolenia wymagana jest znajomość podstaw działania sieci neuronowych oraz znajomość narzędzi do ich implementacji w języku Python (np. PyTorch)
Zalety
- Zajęcia prowadzone przez specjalistów, którzy na co dzień zajmują się tematyką reprezentacji w sieciach neuronowych oraz modelami generatywnymi
- Możliwość zapoznania się z zagadnieniami związanymi z uczeniem bez nadzoru, takimi jak uczenie kontrastowe, AutoEnkodery czy modele generatywne
- Praktyczne zadania pozwalające dokładnie zrozumieć przekazywaną teorię
Cele szkolenia
- Poznanie najnowocześniejszych algorytmów tworzenia reprezentacji korzystających z danych bez etykiet
- Zapoznanie się z architekturami dedykowanymi do uczenia bez nadzoru lub z częściowym nadzorem, takimi jak AutoEnkoder, GAN lub modele gęstościowe
- Zdobycie umiejętności praktycznego zastosowania omawianych algorytmów
Program
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