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
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
Interaktywna analiza przebiegu procesu uczenia sieci w narzędziu Tensorboard
Inicjalizacja wag sieci
Regularyzacja klasyczna: l1, l2
Regularyzacja dropout
Przycinanie gradientu (gradient clipping)
Normalizacja wsadowa (batch normalization)
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
Dostępne pretrenowane modele w TensorFlow
Modyfikacja architektury wykorzystywanego modelu
Augmentacja danych do treningu (klasyfikacja obrazów)
Dobre praktyki dotyczące transfer learningu
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
Przygotowanie danych do problemu predykcji
Uczenie sieci i ocena jakości predykcji
Budowa architektury opartej o warstwy rekurencyjne (RNN, LSTM, Bidirectional)
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