Uczenie maszynowe z TensorFlow

2150 PLN+23% VAT (2644 PLN brutto / 1 os.)

Czas trwania szkolenia:2 dni (16h)

Kod kursu:DL/TF

Poziom zaawansowania:

cnn

rnn

neural-networks

Dostępne terminy

  • Termin
  • Lokalizacja
  • Trener
  • Cena
Brak dostępnych terminów

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

Podobne szkolenia