Zastosowania SOTA w przetwarzaniu konkretnych danych
W systemach wykorzystujących szeroko rozumianą sztuczną inteligencję coraz częściej wykorzystujemy dane takie jak teksty, grafy czy chmury punktów 3D. Praktyczne zastosowanie modeli uczenia maszynowego do takich danych wiąże się z wieloma wyzwaniami, takimi jak duży rozmiar modeli (problemy z pamięcią oraz czasem odpowiedzi), brak modeli gotowych do użycia na produkcji czy niewielkie ilości dostępnych danych treningowych. Sieci neuronowe dedykowane do przetwarzania danych 3D muszą być niezmiennicze na obroty i permutacje. Z kolei przetwarzanie danych o strukturze grafowej z wykorzystaniem sieci neuronowych wymaga zastosowania dedykowanych modułów, które potrafią agregować informacje z takich danych. W ramach szkolenia omówiona zostanie tematyka efektywnego wykorzystania najnowszych modeli językowych opartych na architekturze Transformera. Poruszone zostaną kwestie trenowania wyspecjalizowanych modeli oraz problemów z ich rozmiarem i szybkością. Ponadto omówione zostaną architektury dedykowane do przetwarzania chmur punktów i grafów.
2350 PLN+23% VAT (2890 PLN brutto / 1 os.)Czas trwania szkolenia:2 dni (16h)
Kod kursu:DL/SOTA
Zastosowania SOTA w przetwarzaniu konkretnych danych
Cele szkolenia
- Poznanie najnowocześniejszych algorytmów przetwarzania języka naturalnego opartych na architekturze transformera
- Zapoznanie się z metodami przetwarzania danych 3D, w szczególności chmur punktów, z wykorzystaniem metod sztucznej inteligencji
- Poznanie architektur sieci neuronowych dedykowanych do przetwarzania danych o strukturze grafowej
- Zdobycie umiejętności praktycznego zastosowania omawianych algorytmów
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 programistów stosujących sztuczną inteligencję w przetwarzaniu języka naturalnego, przetwarzaniu chmur punktów lub pracy z danymi o strukturze grafowej
Zalety
- Zajęcia prowadzone przez specjalistów, którzy na co dzień pracują z modelami do przetwarzania języka naturalnego, chmur punktów oraz grafów
- Możliwość zapoznania się z zagadnieniami związanymi z wdrażaniem najnowocześniejszych modeli głębokiego uczenia w środowiskach produkcyjnych
- Praktyczne zadania pozwalające dokładnie zrozumieć przekazywaną teorię
Wymagania
- Od uczestników szkolenia wymagana jest znajomość podstaw działania sieci neuronowych oraz znajomość narzędzi do ich implementacji w języku Python (np. PyTorch)
W cenie otrzymasz:
- Materiały szkoleniowe
- Certyfikat ukończenia szkolenia
- W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program
Praktyczne aspekty wdrażania najnowocześniejszych modeli głębokiego uczenia
- Wydajność dużych modeli
- Dostępność przetrenowanych wag
- Dostępność danych uczących
SOTA w NLP
- Architektura Transformer
- Zastosowania Transformerów
- Optymalizacja rozmiaru oraz efektywności modeli
- Wdrażanie Transformerów w praktyce
Przetwarzanie chmur punktów 3D
- Wymagania związane z przetwarzaniem danych 3D
- Metody przetwarzania chmur 3D z wykorzystaniem sieci neuronowych
- NeRF
- Hiper sieci w przetwarzaniu chmur punktów 3D
Wykorzystanie sieci neuronowych do pracy z danymi o strukturze grafowej
- Przykłady danych o strukturze grafowej oraz zastosowań sztucznej inteligencji do ich przetwarzania
- Sieci grafowe