Nienadzorowana reprezentacja, autoenkodery i modele generatywne

3350 PLN+23% VAT (4120 PLN brutto / 1 os.)

Czas trwania szkolenia:3 dni (24h)

Kod kursu:DL/NRAMG

Poziom zaawansowania:
neural-networks

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

3 czerwiec
Trwają zapisy na szkolenie

Trener:

-

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

1 lipiec
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

28 październik
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Interesuje Cię szkolenie stacjonarne lub nie odpowiada Ci żaden z dostępnych terminów?

Ikona pytaniaZapytaj o szkolenie

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

Podobne szkolenia