Szkolenie: Uczenie maszynowe z TensorFlow
Szkolenie TensorFlow to praktyczny kurs uczenia maszynowego i głębokiego, który przygotowuje do budowy, trenowania i wdrażania modeli sieci neuronowych do analizy obrazów, tekstu i szeregów czasowych
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:2 dni (16h)
Kod kursu:DL/TF
Uczenie maszynowe z TensorFlow
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania, budowania i trenowania modeli głębokiego uczenia z wykorzystaniem biblioteki TensorFlow
Szkolenie uczy implementacji i modyfikacji architektur sieci neuronowych do analizy obrazów, przetwarzania języka naturalnego oraz predykcji szeregów czasowych
Szkolenie pokazuje, jak stosować techniki optymalizacji, regularyzacji i transfer learningu w praktycznych projektach uczenia maszynowego
Szkolenie omawia metody oceny jakości modeli oraz dobre praktyki wdrażania rozwiązań opartych o uczenie głębokie
Dla kogo?
Programiści, data scientist i analitycy danych z podstawową znajomością Pythona i uczenia maszynowego, chcący rozpocząć pracę z głębokim uczeniem
Osoby przygotowujące się do certyfikacji TensorFlow Developer lub wdrażające rozwiązania AI w projektach komercyjnych
Statystycy i specjaliści IT realizujący zadania związane z analizą obrazów, tekstu lub szeregów czasowych
Efekty kształcenia
Uczestnik projektuje i trenuje modele sieci neuronowych w TensorFlow
Uczestnik analizuje i przygotowuje dane do zadań klasyfikacji i predykcji
Uczestnik wdraża techniki regularyzacji i optymalizacji modeli
Uczestnik wykorzystuje transfer learning w praktycznych zastosowaniach
Uczestnik ocenia skuteczność modeli i interpretuje wyniki
Uczestnik stosuje narzędzia do monitorowania i wizualizacji procesu uczenia
Wymagania
Podstawowa znajomość języka Python
Znajomość podstawowych technik uczenia maszynowego, w tym najczęściej stosowanych architektur sieci neuronowych, takich jak sieć konwolucyjna czy sieć rekurencyjna
Podstawowa wiedza matematyczna: algebra liniowa (działania na macierzach), analiza (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
Wysokopoziomowy opis biblioteki
Graf obliczeń
Proces uczenia sieci neuronowej w TensorFlow
Budowa i trenowanie sieci
Budowa modelu za pomocą API sekwencyjnego
Budowa modelu za pomocą API funkcyjnego
Trenowanie sieci neuronowej
Wstrzykiwanie dodatkowych funkcjonalności podczas treningu (early stopping, manipulacja wielkością współczynnika uczenia, metryki, serializacja modelu)
Zapis i wczytywanie modelu z pliku
Interaktywna analiza przebiegu procesu uczenia sieci w narzędziu Tensorboard
Tuning modeli i strojenie procesu uczenia
Inicjalizacja wag sieci
Regularyzacja klasyczna: l1, l2
Regularyzacja dropout
Przycinanie gradientu (gradient clipping)
Normalizacja wsadowa (batch normalization)
Przetwarzanie obrazów - klasyfikacja
Przygotowanie danych do treningu
Budowa architektury opartej o warstwy konwolucujne
Ładowanie obrazów z katalogów podczas treningu (generatory danych)
Trenowanie i ocena jakości klasyfikacji
Implementacja własnego generatora danych
Transfer learning
Dostępne pretrenowane modele w TensorFlow
Modyfikacja architektury wykorzystywanego modelu
Augmentacja danych do treningu (klasyfikacja obrazów)
Dobre praktyki dotyczące transfer learningu
Przetwarzanie języka naturalnego (analiza wydźwięku)
Wektorowe reprezentacje dokumentów
Narzędzia w TensorFlow do pracy z tekstem
Budowa architektury opartej o warstwy rekurencyjne (RNN, LSTM, Bidirectional)
Uczenie sieci i ocena jakości predykcji
Predykcja szeregów czasowych
Przygotowanie danych do problemu predykcji
Uczenie sieci i ocena jakości predykcji
Budowa architektury opartej o warstwy rekurencyjne (RNN, LSTM, Bidirectional)
Podsumowanie
Przegląd wybranych zaawansowanych technik budowy modeli w TensorFlow 2
Autorem szkolenia jest Waldemar Kołodziejczyk
Profesjonalnie i akademicko związany z branżą inżynierską, tworzy rozwiązania oparte o wizję komputerową, szeregi czasowe i uczenie ze wzmocnieniem. Zajmuje się pełnym cyklem zagadnień, od dekompozycji problemu biznesowego, poprzez analizy i research aż po trenowanie i deployment modeli na produkcję. Jako trener prowadzi kursy z obszaru Data Science i Machine Learning w Sages. Wykładowca przedmiotu "Uczenie Maszynowe w rozwiązaniach Big Data" na studiach podyplomowych "Big Data" na Politechnice…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
