+48 22 203 56 00 biuro@sages.pl
Szkolenie dostępne na zamówienie

Szkolenie: Zwiększanie wydajności sieci neuronowych

Sztuczne sieci neuronowe do osiągnięcia oczekiwanych rezultatów często wymagają znaczących nakładów obliczeniowych, a co za tym idzie również nakładów kapitałowych. Waga tego problemu rośnie w czasie, wraz ze zwiększającą się ilością przetwarzanych przez modele danych, oraz ich penetracją rynku i wszelakich aplikacji. Szkolenie pokrywa szereg zagadnień związanych ze zwiększeniem wydajności sztucznych sieci neuronowych, w szczególności zagadnienia, którymi zajmujemy się w ramach prowadzonego projektu BioNN.

  • Trenerzy praktycy
  • Kameralne grupy

Czas trwania szkolenia:3 dni (24h)

Poziom zaawansowania:

Kod kursu:DL/ZWS

neural-networks

Szkolenie na zamówienie

  • Dostosowany program
  • Indywidualna wycena
  • Dowolny termin
Zapytanie o szkolenie

Zwiększanie wydajności sieci neuronowych

Cele szkolenia

  • Poznanie algorytmów umożliwiających zwiększenie wydajności sieci neuronowych

  • 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 implementujących sieci neuronowe w środowiskach z ograniczonymi zasobami obliczeniowymi, takimi jak mikrokontrolery albo urządzenia mobilne

Zalety

  • Zajęcia prowadzone przez specjalistów zajmujących się na co dzień badaniami nad efektywnością sieci neuronowych

  • Możliwość poznania najnowszych trendów w uczeniu maszynowym

  • 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 szkolenia

Pobierz program w PDF

Wprowadzenie do zagadnienia efektywnych obliczeń w sieciach neuronowych

Podstawowe metody optymalizacji działania sieci neuronowych

  • Kwantyzacja wag

  • Pruning

Bezstratne uczenie maszynowe

  • Mechanizmy early-exit

  • Obliczenia warunkowe w sieciach neuronowych

Uczenie ciągłe

  • Problem katastroficznego zapominania

  • Scenariusze uczenia ciągłego: task-incremental, domain-incremental, class-incremental

  • Metody regularyzacyjne

  • Metody wykorzystujące powtarzanie danych (replay)

Uczenie na podstawie niepełnych danych

  • Działanie sieci neuronowych przy braku/niepełnych danych

  • Few-shot learning

Transfer learning

Uczenie sieci neuronowych w przypadku domain shift

Autorem szkolenia jest Tomasz Trzciński

Kieruję pracami zespołu zajmującego się widzeniem maszynowym CVLab na Politechnice Warszawskiej. Jestem również członkiem zespołu uczenia maszynowego GMUM na Uniwersytecie Jagiellońskim. Stanąłem na czele grupy Computer Vision w nowotworzonym centrum sztucznej inteligencji IDEAS NCBR. Stopień doktora habilitowanego uzyskałem na Politechnice Warszawskiej w 2020 r., doktora w zakresie wizji maszynowej na École Polytechnique Fédérale de Lausanne w 2014 r., a podwójny dyplom magisterski na Universitat…

Wybrane opinie

Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi

4.8
Ikona podpowiedziŚrednia ocen Sages w serwisie Google Ocena pochodzi ze średniej ocen Sages w serwisie Google i nie jest weryfikowana

20.03.2025

Uczestnik szkolenia “Projektowanie modeli domen z wykorzystaniem Domain-Driven Design i Event Storming”

Wojciech Pyszko

Nawiązywało do przypadków bliskich naszemu biznesowi

Więcej opinii

Podobne szkolenia

Nienadzorowana reprezentacja, autoenkodery i modele generatywne

Liczba dni: 3
2950 PLN

Jednym z ważniejszych zadań Deep Learningu jest budowa reprezentacji danych. Ponieważ często mamy do dyspozycji dużą liczbę niepoetykietowanych danych (wysokie koszty), w ostatnim czasie widzimy coraz większe zainteresowanie konstrukcją nienadzorowanych reprezentacji za pomocą metod kontrastywnych (contrastive learning). Drugim istotnym narzędziem do konstrukcji reprezentacji są modele bazujące na strukturze AutoEnkodera. Pozwalają one w szczególności uzupełniać brakujące części zdjęć (missing imputation), kompresować dane, usuwać szum (denoising AutoEncoder) lub też wyszukiwać odstające obserwacje (outliers). Rozszerzenie AutoEnkodera do modeli generatywnych jak VAE (variational AutoEncoder) pozwala nam na generowanie danych, interpolację między danymi czy ich manipulację. Inne ważne modele generatywne to GANy, które pozwalają na generowanie fotorealistycznych zdjęć czy ich modyfikowanie (text-to-speech, image impainting, etc) czy modele pozwalające na estymację gęstości (modele flowowe). W ramach szkolenia omówiona zostanie tematyka budowy nienadzorowanych reprezentacji danych oraz modele generatywne, przechodząc od tych posiadających strukturę AutoEnkodera, po GANy oraz modele gęstościowe.

neural-networks

Zastosowania SOTA w przetwarzaniu konkretnych danych

Liczba dni: 2
2350 PLN

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.

neural-networks

Produkcyjne wdrażanie potoków przetwarzania AI/machine learning na Kubernetes

Liczba dni: 4
4150 PLN

W trakcie szkolenia "Produkcyjne wdrażanie potoków przetwarzania AI/machine learning na Kubernetes" dowiesz się jak przekształcić trudny w utrzymaniu kod trenujący modele Machine Learning/AI z Jupyter Notebooków do wydajnych i skalowalnych potoków przetwarzania ML/AI uruchamianych na Kubernetes.

aikubernetesmachine-learning