Uczenie maszynowe z TensorFlow
Czas trwania szkolenia:2 dni (16h)
Kod kursu:DL/TF
Poziom zaawansowania:
O szkoleniu Uczenie maszynowe z TensorFlow
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?
- Osoby, które chcą rozpocząć pracę z wykorzystaniem sieci neuronowych przy użyciu najnowszej wersji biblioteki TensorFlow
- Programiści, statystycy, data scientist'ci z podstawową wiedzą o głębokim uczeniu maszynowych
- Osoby, które chcą przygotować się do certyfikatu Google TensorFlow Developer
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)
Zalety
- Poznanie najczęściej wykorzystywanej biblioteki do rozwoju i deploymentu algorytmów uczenia głębokiego
- Przedstawienie najpopularniejszych scenariuszy wykorzystywania biblioteki (analiza obrazów, przetwarzanie języka naturalnego, predykcje szeregów czasowych)
- Przedstawienie złożonych funkcjonalności biblioteki w przystępny sposób
- Praktyczne wskazówki i dobre praktyki podczas budowy rozwiązań opartych o uczenie głębokie
- Duża dawka wiedzy i umiejętności, pozwalających na rozpoczęcie pracy z biblioteką TensorFlow 2 w produkcyjnych projektach
- Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań
- Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką
- Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how
Cele szkolenia
- Opanowanie najbardziej przydatnych funkcjonalności biblioteki TensorFlow 2
- Zapoznanie z mechanizmami budowania profesjonalnych rozwiązań opartych o uczenie głębokie w TensorFlow, dotyczących analizy obrazów, przetwarzania języka naturalnego, predykcji szeregów czasowych
- Zdobycie praktycznych umiejętności implementacji własnych architektur sieci neuronowych wykorzystując dostępne w bibliotece komponenty
- Poznanie metodologii pracy z sieciami neuronowymi w bibliotece TensorFlow
Program
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