Neironu tīkli. Datorredze un lasīšana (NLP). - likme 31990 rub. no Speciālists, apmācība 24 akadēmiskās stundas, datums: 11.12.2023.
Literārs Mistrojums / / December 03, 2023
Neironu tīkli - stabili izveidota moderna satura apstrādes tehnoloģija. Mūsdienās daudzas datoru IT korporācijas izmanto šo tehnoloģiju, lai izveidotu datoru robotus un tērzēšanas robotus. Slavenākie no tiem Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) tika izveidoti, izmantojot šo tehnoloģiju.
Šajā kursā tiks apskatīti vairāki Python ieviestie neironu tīkli, izmantojot Tensorflow bibliotēku, proti, PyTorch, kas izstrādāta 2017. gadā. Šie algoritmi veido pamatu datoru redzes un lasīšanas problēmu risināšanai, taču neizsmeļ to, jo šī joma pastāvīgi attīstās un pilnveidojas.
- mijiedarboties ar tensoriem Python
- iepazīties ar PyTorch pamatiem
- padziļināt savas zināšanas par Python
- iepazīties ar attēlu apstrādi, izmantojot neironu tīklus un Python
- iepazīties ar runas un teksta apstrādi
Python mašīnmācības kursu pasniedzējs. Vladimirs Gennadijevičs ir pieredzējis praktiķis, fizisko un matemātikas zinātņu kandidāts un aktīvs pētnieks.
Savā darbā viņš izmanto mašīnmācīšanās un datu vākšanas automatizācijas metodes, izmantojot programmēšanas valodas Python, R, C++, Verilog.
Vladimirs Gennadijevičs ir Research Gate pētnieku kopienas biedrs un pastāvīgi uzrauga, kā programmēšana tiek izmantota zinātnē un mūsdienu attīstībā. Viņš dalās ar klausītājiem zinātībā un pašreizējās tehnikās, kas palīdzēs padarīt viņu projektus labākus un pasaules klases.
Vladimirs Gennadijevičs publicēja 56 rakstus tādās publikācijās kā Physical Review B, Physica E, “Journal of Experimental and Theoretical Physics”, “Pusvadītāju fizika un tehnoloģija”. Vladimirs Gennadijevičs ne tikai piedalās zinātnes attīstībā un dalās ar saviem sasniegumiem ar kolēģiem, bet arī veiksmīgi izmanto tos praksē:
Vladimirs Gennadijevičs kā skolotājs-zinātnieks pirmajā vietā izvirza jaunu tehnoloģiju izstrādi un pielietošanu. Mācībās, arī mašīnmācībā, viņam galvenais ir iedziļināties parādību būtībā, izprast visus procesus, nevis iegaumēt noteikumus, kodu vai tehnisko līdzekļu sintaksi. Viņa kredo ir prakse un dziļa iedziļināšanās darbā!
Praktisks pasniedzējs ar 25 gadu pieredzi informācijas tehnoloģiju jomā. Tīmekļa sistēmu Full-Stack izstrādes eksperts, izmantojot (MySQL, PHP/Python, nginx, HTML5), datu analīzi un vizualizāciju, izmantojot Python (Pandas, SKLearn, Keras), izstrādi...
Praktisks pasniedzējs ar 25 gadu pieredzi informācijas tehnoloģiju jomā. Tīmekļa sistēmu Full-Stack izstrādes eksperts, izmantojot (MySQL, PHP/Python, nginx, HTML5), datu analīzi un vizualizāciju, izmantojot Python (Pandas, SKLearn, Keras), datu apmaiņas saskarņu izstrāde starp sistēmām, izmantojot REST, SOAP, EDIFACT tehnoloģijas, tīmekļa serveru administrēšana uz Debian GNU Linux (php/nginx/mariadb), tehniskās un lietotāja dokumentācijas izveide (krievu un angļu valodas).
Es gāju no līnijas izstrādātāja līdz sava uzņēmuma IT direktoram. 25 gadu laikā viņš ir izveidojis aptuveni 20 korporatīvās informācijas sistēmas/datu bāzes, vairāk nekā 50 prototipus, 30 dažāda izmēra un satura tīmekļa vietnes. Strādājis pie lieliem projektiem tādām kompānijām kā Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. 5 gadus viņš ir bijis starp TOP 10 izstrādātājiem Krievijas Federācijā vietnē phpClasses.org.
1. modulis. Ievads Pytorch un tensoros (4 ac. h.)
- Ievads kursā
- Ievads neironu tīklos
- Kas ir PyTorch?
- Kāpēc izmantot tenzorus?
- Tehniskās prasības
- Mākoņa iespējas
- Kas ir tenzori
- Darbības ar tenzoriem
- Seminārs par tēmu
2. modulis. Attēlu klasifikācija (4 ac. h.)
- Rīki datu ielādei un apstrādei PyTorch
- Treniņu datu kopas izveide
- Validācijas un pārbaudes datu kopas izveide
- Neironu tīkls kā tensori
- Aktivizācijas funkcija
- Tīkla izveide
- Zaudējuma funkcija
- Optimizācija
- Seminārs, ieviešana uz GPU
3. modulis. Konvolūcijas neironu tīkli (6 ac. h.)
- Vienkārša konvolucionāla neironu tīkla izveide programmā PyTorch
- Slāņu apvienošana tīklā (apvienošana)
- Neironu tīkla regularizācija (izmešana)
- Apmācītu neironu tīklu izmantošana
- Neironu tīkla struktūras izpēte
- Partijas normalizācija (Batchnorm)
- Seminārs par tēmu
4. modulis. Apmācītu modeļu izmantošana un nodošana (5 ac. h.)
- Izmantojot ResNet
- Atlase pēc mācīšanās ātruma
- Mācību ātruma gradients
- Datu paplašināšana pārkvalifikācijai
- Torchvision pārveidotāju izmantošana
- Krāsu un lambda pārveidotāji
- pielāgoti pārveidotāji
- Ansambļi
- Seminārs par tēmu
5. modulis. Teksta klasifikācija (5 ac. h.)
- Atkārtoti neironu tīkli
- Neironu tīkli ar atmiņu
- Torchtext bibliotēka