Kategorie: Szkolenia AI, GPT i Machine Learning, Analiza danych, statystyka, data science, AI, Python
Chociaż uczenie głębokie (Deep Learning) jest znane w nauce od kilkudziesięciu lat, to dopiero pojawienie się szybszych komputerów i gigantycznej ilości danych spowodowało jego niesamowity rozwój w ostatnich latach.
Uczenie głębokie zapewnia stosunkowo proste w użyciu rozwiązania dla wielu problemów, z jakimi może się zetknąć na projekcie programista. Jest skutecznie wykorzystywane do rozpoznawania pisma, analizy zdjęć i filmów, a także rozpoznawania dźwięków. Prostota trenowania gotowych modeli powoduje, że często nawet początkujący programiści postanawiają je wykorzystać aby ich aplikacje były nieco mądrzejsze i przynajmniej sugerowały użytkownikom rozwiązanie problemu.
Jednocześnie nowoczesne narzędzia takie jak Keras, googlowy TensorFlow, czy facebookowy PyTorch spowodowały że dla wytrenowania nowego modelu nie ma już potrzeby pisać kodu CUDA wykonywanego przez kartę graficzną, a obsługi całego środowiska można nauczyć się w zaledwie kilka dni.
Nasze szkolenie przeznaczone jest dla osób chcących posługiwać się Uczeniem Maszynowym w codziennej pracy, a znających już podstawy języka Python. Szkolenie prowadzone jest na praktycznych przykładach, bez zbędnych wykładów teoretycznych podstaw działania sieci neuronowych.
Zagadnienia omawiane na tym szkoleniu są równoważne ostatnim czterem dniom kursu Analiza danych i AI, uczenie maszynowe i deep learning dla znających Pythona.
Osoby nie znające w ogóle Pythona, nie mające żadnego doświadczenia z Pandas ani NumPy – zapraszamy na nasz dłuższy, kompleksowy kurs, prowadzony “od zera” – Analiza Danych w Pythonie.
Czas trwania
4 dni
Program
- Przegląd narzędzi do uczenia głębokiego
- TensorFlow
- PyTorch
- Keras
- Hugging Face
- JAX
- identyfikacja różnic pomiędzy narzędziami
- dobór odpowiedniego narzędzia w zależności od projektu
- Wprowadzenie do sieci neuronowych
- budowa neuronu
- funkcje komponentów neuronu
- mechanizmy przetwarzania informacji
- jak uczy się sieć neuronowa
- algorytmy uczenia z nadzorem
- algorytmy uczenia bez nadzoru
- funkcje aktywacyjne
- funkcje błędu
- typy sieci neuronowych
- perceptory
- MLP – perceptory wielowarstwowe
- sieci konwolucyjne (CNN)
- rekurencyjne sieci neuronowe (RNN)
- zastosowania sieci neuronowych w różnych dziedzinach
- JAX
- architektura JAX
- unikalne cechy JAX
- przejście z NumPy do JAX
- wykorzystanie kompilacji JIT przez JAX
- przetwarzanie równoległe
- przyspieszenie działania modeli
- zwiększanie wydajności modeli
- Keras
- wprowadzenie – architektura Keras
- udostępniane API
- szkolenie modeli
- budowa modeli w Keras
- komplikowanie modeli
- trenowanie modeli uczenia głębokiego
- techniki optymalizacji
- zestawy danych
- wnioskowanie i przewidywanie
- wykorzystanie wytrenowanych modeli do predykcji
- podejmowanie decyzji na podstawie nowych danych
- Sieci neuronowe – zastosowania i przykłady
- Sztuczne sieci neuronowe (ANN)
- zastosowania w zadaniach klasyfikacji i regresji
- Konwolucyjne sieci neuronowe (CNN)
- rozpoznawanie obrazów
- przetwarzanie obrazu
- analiza obrazów
- Rekurencyjne sieci neuronowe (RNN, LSTM)
- predykcja szeregów czasowych
- inne zagadnienia analityczne
- Hugging Face
- platforma open-source dla modeli uczenia maszynowego
- strojenie modeli dopasowanych do potrzeb użytkownika
- Porównanie różnych środowisk (np. PyTorch, Tensorflow)
- Sztuczne sieci neuronowe (ANN)
Training also available in English.
Przeznaczenie i wymagania
Szkolenie przeznaczone jest dla analityków i programistów. To nie jest szkolenie dla statystyków – nie obejmuje matematycznych podstaw działania algorytmów.
W grupach na zamówienie możemy przeprowadzić szkolenie bardziej nastawione na teoretyczne podstawy uczenia głębokiego, a nie jedynie skupiające się na wykorzystaniu go jako narzędzia.
Od uczestników tego szkolenia oczekujemy znajomości następujących narzędzi – podstawowej znajomości Pythona (na poziomie naszego szkolenia Skrypty w Pythonie, albo pierwszego modułu kursu Programista Python), a także znajomości Pandas lub NumPy na poziomie wystarczającym do swobodnego importu i obróbki danych.
Dodatkowo wymagana jest znajomość środowiska Jupyter Notebook.
W grupach zamkniętych istnieje możliwość rozpoczęcia szkolenia od zapoznania się ze wszystkimi wymaganymi narzędziami i następnie przejścia do tematów uczenia maszynowego.
Certyfikaty
Uczestnicy szkolenia otrzymują imienne certyfikaty sygnowane przez ALX.