Närvivõrgud. Arvutinägemine ja lugemine (NLP). - hind 31990 hõõruda. alates Spetsialist, koolitus 24 akadeemilist tundi, kuupäev: 11. detsember 2023.
Varia / / December 03, 2023
Närvivõrgud - kindlalt väljakujunenud kaasaegne sisutöötlustehnoloogia. Tänapäeval kasutavad paljud arvuti-IT-ettevõtted seda tehnoloogiat arvutirobotite ja vestlusrobotite loomiseks. Neist kuulsaimad Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) loodi selle tehnoloogia abil.
Sellel kursusel uuritakse mitmeid Pythonis rakendatud närvivõrke, kasutades Tensorflow teeki, nimelt PyTorchi, mis on välja töötatud 2017. aastal. Need algoritmid on aluseks arvutinägemise ja lugemise probleemide lahendamisele, kuid ei ammenda seda, kuna see valdkond areneb ja täiustub pidevalt.
- suhelda Pythonis tensoritega
- tutvuda PyTorchi põhitõdedega
- süvendada oma teadmisi Pythonist
- tutvuda pilditöötlusega närvivõrkude ja Pythoni abil
- tutvuda kõne ja tekstitöötlusega
Pythoni masinõppe kursuste õpetaja. Vladimir Gennadievitš on kogenud praktik, füüsika- ja matemaatikateaduste kandidaat ning aktiivne teadlane.
Oma töös kasutab ta masinõppe meetodeid ja andmete kogumise automatiseerimist programmeerimiskeelte Python, R, C++, Verilog abil.
Vladimir Gennadievitš on Research Gate’i teadlaste kogukonna liige ning jälgib pidevalt, kuidas programmeerimist teaduses ja kaasaegsetes arengutes kasutatakse. Ta jagab kuulajatega oskusteavet ja praeguseid tehnikaid, mis aitavad muuta nende projekte paremaks ja maailmatasemel.
Vladimir Gennadievitš avaldas 56 artiklit sellistes väljaannetes nagu Physical Review B, Physica E, “Journal of Experimental and Theoretical Physics”, “Pooljuhtide füüsika ja tehnoloogia”. Vladimir Gennadievitš mitte ainult ei osale teaduse arendamisel ja jagab oma saavutusi kolleegidega, vaid kasutab neid edukalt ka praktikas:
Vladimir Gennadievitš kui õpetaja-teadlane seab esikohale uute tehnoloogiate väljatöötamise ja rakendamise. Õppimises, sh masinõppes, on tema jaoks peamine tungida nähtuste olemusse, mõista kõiki protsesse, mitte õppida pähe tehniliste vahendite reegleid, koodi ega süntaksit. Tema kreedoks on praktika ja sügav töösse sukeldumine!
Praktiline õpetaja 25-aastase kogemusega infotehnoloogia vallas. Ekspert veebisüsteemide Full-Stack arenduses, kasutades (MySQL, PHP/Python, nginx, HTML5), andmete analüüsis ja visualiseerimises Pythoni abil (Pandas, SKLearn, Keras), arenduses...
Praktiline õpetaja 25-aastase kogemusega infotehnoloogia vallas. Veebisüsteemide täisstack arenduse (MySQL, PHP/Python, nginx, HTML5), andmete analüüsi ja Pythoni abil visualiseerimise ekspert (Pandas, SKLearn, Keras), andmevahetusliideste arendamine süsteemide vahel kasutades REST, SOAP, EDIFACT tehnoloogiaid, veebiserverite administreerimine Debian GNU Linuxis (php/nginx/mariadb), tehnilise ja kasutajadokumentatsiooni koostamine (vene keeles ja inglise keeled).
Ma läksin liiniarendajast oma ettevõtte IT-direktoriks. 25 aasta jooksul on ta loonud umbes 20 ettevõtte infosüsteemi/andmebaasi, üle 50 prototüübi, 30 erineva suuruse ja sisuga veebisaiti. Töötanud suurte projektidega ettevõtetele nagu Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. 5 aastat on ta olnud veebisaidil phpClasses.org Venemaa Föderatsiooni TOP 10 arendaja hulgas.
1. moodul. Sissejuhatus Pytorchi ja tensoritesse (4 ak. h.)
- Kursuse tutvustus
- Sissejuhatus närvivõrkudesse
- Mis on PyTorch?
- Miks kasutada tensoreid?
- Tehnilised nõuded
- Pilvevõimalused
- Mis on tensorid
- Tehted tensoritega
- Töötuba sellel teemal
2. moodul. Piltide klassifikatsioon (4 ak. h.)
- Tööriistad andmete laadimiseks ja töötlemiseks PyTorchis
- Treeningu andmestiku koostamine
- Valideerimis- ja testiandmete kogumi loomine
- Närvivõrk tensoritena
- Aktiveerimisfunktsioon
- Võrgu loomine
- Kaotusfunktsioon
- Optimeerimine
- Töötuba, juurutamine GPU-l
3. moodul. Konvolutsioonilised närvivõrgud (6 ac. h.)
- Lihtsa konvolutsioonilise närvivõrgu ehitamine PyTorchis
- kihtide ühendamine võrgus (ühinemine)
- närvivõrgu regulaarsus (väljalangemine)
- Koolitatud närvivõrkude kasutamine
- Närvivõrgu struktuuri uurimine
- partii normaliseerimine (Batchnorm)
- Töötuba sellel teemal
4. moodul. Koolitatud mudelite kasutamine ja ülekandmine (5 ak. h.)
- ResNeti kasutamine
- Valik õppimiskiiruse järgi
- Õppimiskiiruse gradient
- Andmete laiendamine ümberõppeks
- Torchvisioni muundurite kasutamine
- Värvi- ja lambda muundurid
- Kohandatud muundurid
- Ansamblid
- Töötuba sellel teemal
5. moodul. Teksti klassifikatsioon (5 ak. h.)
- Korduvad närvivõrgud
- Mäluga närvivõrgud
- Torchtext Library