Deep Learning

Poziom:

Średniozaawansowany

Trwanie:

5 dni

Daty

Zobacz dostępne terminy tego szkolenia!
Jeśli nie ma dostępnej daty i godziny na interesujące Cię szkolenie, proszę skontaktuj się z nami.

Zobacz terminy  >>

 

Szkolenie trwa 5 dni po 8 godzin (na miejscu) lub 4 godziny (online).
Jedyna różnica polega na tym, że w szkoleniu online będzie mniej ćwiczeń praktycznych. Jednak przekażemy te ćwiczenia Tobie i nadal możesz je wykonać samodzielnie i poprosić naszych konsultantów o informację zwrotną lub pomoc w razie potrzeby.

Opis szkolenia

Ten kurs jest przeznaczony dla programistów, którzy rozważają przejście na Data Science lub dla analityków technicznych, którzy chcą zrobić pierwsze kroki w zaawansowanym uczeniu maszynowym.

Dynamika tego kursu obejmuje zarówno wyjaśnienie treści teoretycznych, jak i ćwiczenia praktyczne. Głównym celem jest przedstawienie uczestnikom złożonych algorytmów Deep Learning i pomóc im we wdrażaniu najnowocześniejszych rozwiązań w różnych scenariuszach prowadzonych przez instruktora.

Publiczność

Analitycy/programiści z co najmniej rocznym doświadczeniem programistycznym (Idealnie, także doświadczenie w języku Python) i średnio zaawansowaną wiedzą statystyczną/analityczną.

Konspekt szkolenia

Dzień 1

Wprowadzenie do szkolenia:

  • Prezentacja
  • Plan
  • Dynamika szkolenia

Czym jest Deep Learning?

  • Wprowadzenie i główne pojęcia
  • Podsumowanie historii
  • Uczenie maszynowe a Deep Learning
  • Aplikacje

Kompromis między obciążeniem a wariancją

  • Niedopasowanie
  • Nadmierne dopasowanie

Przegląd głównych bibliotek Pythona do użycia

  • Numpy
  • Pandas
  • TensorFlow + Keras
  • Pytorch

About Python/Jupyter

O Python/Jupyter

  • Możliwości uruchamiania skryptów online
  • Google Colab
  • GPU a CPU

Perceptrony i sieć jednowarstwowa (Single Layer Network): teoria

  • Perceptron 1-D
  • Wejście wielowymiarowe
  • Wagi i odchylenia w notacji macierzowej

Perceptrony i sieć jednowarstwowa (Single Layer Network): praktyka

  • Problem z klasyfikacją

 

Dzień 2

Sztuczne sieci neuronowe

  • Łączenie Perceptronów
  • Architektury sieciowe
  • Propagacja do przodu i normalizacja wsadowa

Spadek gradientu i propagacja wsteczna

  • Funkcja utraty
  • SGD a ADAM
  • Dropout i Early Stopping w celu uregulowania

Augmentacja danych

  • Rotacje
  • Tłumaczenie
  • Szum

Konwolucyjne sieci neuronowe: teoria

  • Konwolucja jako operator

Konwolucyjne sieci neuronowe: praktyka

  • Używanie CNN do rozpoznawania cyfr pisma ręcznego

 

Dzień 3

Uczenie przez wzmacnianie (Reinforcement Learning)

  • Uczenie nadzorowane, nienadzorowane i przez wzmacnianie
  • Agenci, środowisko, stan, działania, nagrody
  • Ograniczenia modelu
  • Łańcuchy Markowa
  • Studium przypadku: Problem sprzedawcy podróżującego

Algorytmy Deep Reinforcement Learning

  • Policy Learning
  • Q-learning
  • Exploration a Exploitation

Deep Q-Learning: teoria

Deep Q-Learning: praktyka

 

Dzień 4

Przetwarzanie języka naturalnego

  • Przypadki użycia
  • Lemmatyzacja
  • Tokenizacja

Tuning dużych sieci neuronowych

  • Wskaźnik uczenia się
  • Wielkość wsadowej
  • Checkpoint gradientu

Analiza nastroju

  • Studium przypadku

Generowanie tekstu: teoria

  • Sieci transformatorów

Generowanie tekstu: praktyka

  • Szkolenie i korzystanie z GPT-2

 

Dzień 5

Nawracające sieci neuronowe

  • Struktura sieci
  • Dane sekwencyjne
  • Szeregi czasowe
  • Problem znikania / wybuchania gradientu

Pamięć krótkotrwała

  • Ukryte stany
  • Funkcjonowanie komórki

Podsumowanie szkolenia: pytania, sugestie itp.