Ești interesat să afli despre Deep Learning? Găzduim gratuit 6 săptămâni curs live pe canalul nostru YouTube, începând de sâmbătă, 20 noiembrie la 9:30 PST.

Vizionarea pasivă a unui videoclip nu este adesea suficientă pentru a învăța un concept de software. Trebuie să poți pune întrebări și să construiești proiecte reale. Exact asta veți putea face în cursul „Învățare profundă cu PyTorch: Zero to GANs”.

Acesta este un curs online destinat să ofere o introducere în codificare pentru învățarea profundă folosind cadrul PyTorch. Cursul are o abordare practică axată pe codificare și va fi predat folosind caiete Jupyter interactive interactive, permițând elevilor să urmărească și să experimenteze.

Acest curs este predat de Aakash NS. Este cofondator și CEO al Jovian.ml, o platformă de management de proiect și colaborare pentru învățarea automată.

Conceptele teoretice vor fi explicate în termeni simpli folosind codul. Elevii vor primi sarcini săptămânale, vor lucra la un proiect cu seturi de date din lumea reală și vor participa la un concurs privat de științe de date pentru a-și testa abilitățile. După finalizarea cu succes a cursului, studenții vor primi un certificat de finalizare.

Acesta este un curs prietenos cu începătorii și nu se presupune cunoștințe prealabile despre știința datelor, învățarea automată sau învățarea profundă. Este de preferat să aveți o experiență în următoarele domenii:

  • Cunoașterea programării, de preferință în Python
  • Bazele algebrei liniare (vectori, matrici, produse punct)
  • Bazele calculului (diferențierea, interpretarea geometrică a derivatei)

Silabă

Cursul este împărțit în 6 module și va fi predat pe parcursul a 6 săptămâni prin prelegeri video și caiete Jupyter interactive. Fiecare prelegere va dura aproximativ 2 ore.

Modulul 1: Noțiuni de bază PyTorch – Tensori și gradiente

  • Introducere în caietele Jupyter și știința datelor în Python
  • Crearea de vectori, matrice și tensori în PyTorch
  • Operații tensoriale și calcule de gradient
  • Interoperabilitatea PyTorch cu Numpy

Modulul 2: Regresie liniară și coborâre în gradient

  • Regresia liniară de la zero folosind operațiile Tensor
  • Ponderile, părtinirile și funcția medie de pierdere a erorilor pătrate
  • Coborâre în gradient și antrenament model cu PyTorch Autograd
  • Regresie liniară utilizând încorporări PyTorch (nn. Liniar, nn. Funcțional etc.)

Modulul 3: Regresie logistică pentru clasificarea imaginilor

  • Lucrul cu imagini din setul de date MNIST
  • Crearea setului de date de instruire și validare
  • Funcția Softmax și pierderea categorică a entropiei încrucișate
  • Antrenarea modelului, evaluarea și predicțiile eșantionului

Modulul 4: Rețele neuronale și GPU-uri Feedforward

  • Lucrul cu platforme cloud GPU precum Kaggle și Colab
  • Crearea unei rețele neuronale multistrat folosind nn.Module
  • Funcția de activare, neliniaritatea și teorema de aproximare universală
  • Trecerea cu seturi de date și modele la GPU pentru antrenament mai rapid

Modulul 5a: Clasificarea imaginilor utilizând rețele neuronale convoluționale

  • Lucrul cu imaginile RGB cu 3 canale din setul de date CIFAR10
  • Introducere în convoluții, nuclee și hărți cu caracteristici
  • Sub-montare, supra-montare și tehnici pentru îmbunătățirea performanței modelului

Modulul 5b: Augmentarea datelor, regularizarea și rețelele reziduale

  • Îmbunătățirea setului de date folosind normalizarea și mărirea datelor
  • Îmbunătățirea modelului folosind conexiuni reziduale și normalizarea lotului
  • Îmbunătățirea buclei de antrenament folosind recoacerea ratei de învățare, descompunerea greutății și clipul de gradient
  • Instruirea unui clasificator de imagine de ultimă oră de la zero în 10 minute

Modulul 6: Generarea de imagini utilizând rețele generative adversare (GAN)

  • Introducere în modelarea generativă și aplicarea GAN-urilor
  • Crearea de rețele neuronale generator și discriminator
  • Generarea și evaluarea imaginilor false ale cifrelor scrise de mână
  • Instruirea generatorului și discriminatorului în tandem și vizualizarea rezultatelor

Exerciții și misiuni

Sarcini săptămânale

  • Săptămâna 1: Regresie liniară
  • Săptămâna 2: Clasificarea imaginilor
  • Săptămâna 3: Rețele neuronale feedforward

Proiect de curs

Pentru proiectul cursului, studenții vor crea un model de clasificare a imaginilor folosind rețele neuronale convoluționale, pe un set de date din lumea reală la alegerea lor. Proiectul va permite elevilor să experimenteze diferite tipuri de modele și tehnici de regularizare. De asemenea, elevii își vor prezenta lucrările la sfârșitul cursului și vor publica o postare pe blog care descrie abordarea și rezultatele lor.

Certificat de finalizare

Studenții care participă la cel puțin 5 din 6 prelegeri video și fac trimiteri valabile pentru toate sarcinile vor fi eligibili pentru a primi un certificat de finalizare de către Jovian.ml. Proiectele selectate vor primi, de asemenea, un premiu pentru cel mai bun proiect pe baza criteriilor de evaluare stabilite de instructori.

Inscrie-te

Vă puteți înscrie la curs aici: http://zerotogans.com/

Indiferent dacă vă înscrieți sau nu, puteți urmări cursul pe canalul YouTube Routech.org.