Νευρωνικά δίκτυα. Υπολογιστική όραση και ανάγνωση (NLP). — τιμή 31990 τρίψτε. από Ειδικός, εκπαίδευση 24 ακαδημαϊκών ωρών, ημερομηνία: 11 Δεκεμβρίου 2023.

μικροαντικείμενα / by admin / December 03, 2023

click fraud protection

Νευρωνικά δίκτυα - εδραιωμένη σύγχρονη τεχνολογία επεξεργασίας περιεχομένου. Σήμερα, πολλές εταιρείες πληροφορικής χρησιμοποιούν αυτήν την τεχνολογία για να δημιουργήσουν ρομπότ υπολογιστών και ρομπότ συνομιλίας. Τα πιο διάσημα από αυτά Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) δημιουργήθηκαν χρησιμοποιώντας αυτήν την τεχνολογία.

Αυτό το μάθημα θα εξετάσει έναν αριθμό νευρωνικών δικτύων που υλοποιήθηκαν στην Python χρησιμοποιώντας τη βιβλιοθήκη Tensorflow, δηλαδή το PyTorch, που αναπτύχθηκε το 2017. Αυτοί οι αλγόριθμοι αποτελούν τη βάση για την επίλυση προβλημάτων στην όραση και την ανάγνωση του υπολογιστή, αλλά δεν την εξαντλούν, αφού αυτός ο τομέας συνεχώς αναπτύσσεται και βελτιώνεται.

- αλληλεπιδρούν με τανυστές στην Python
- εξοικειωθείτε με τα βασικά του PyTorch
- εμβαθύνετε τις γνώσεις σας για την Python
- εξοικειωθείτε με την επεξεργασία εικόνας με χρήση νευρωνικών δικτύων και Python
- εξοικείωση με την επεξεργασία λόγου και κειμένου

Καθηγητής μαθημάτων Python για μηχανική μάθηση. Ο Vladimir Gennadievich είναι έμπειρος επαγγελματίας, υποψήφιος φυσικών και μαθηματικών επιστημών και ενεργός ερευνητής.

instagram viewer

Στη δουλειά του χρησιμοποιεί μεθόδους μηχανικής μάθησης και αυτοματοποίησης συλλογής δεδομένων χρησιμοποιώντας τις γλώσσες προγραμματισμού Python, R, C++, Verilog.
Ο Vladimir Gennadievich είναι μέλος της κοινότητας ερευνητών Research Gate και παρακολουθεί συνεχώς τον τρόπο χρήσης του προγραμματισμού στην επιστήμη και τις σύγχρονες εξελίξεις. Μοιράζεται με τους ακροατές του την τεχνογνωσία και τις σύγχρονες τεχνικές που θα βοηθήσουν να γίνουν τα έργα τους καλύτερα και παγκόσμιας κλάσης.
Ο Vladimir Gennadievich δημοσίευσε 56 άρθρα σε εκδόσεις όπως Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Ο Vladimir Gennadievich όχι μόνο συμμετέχει στην ανάπτυξη της επιστήμης και μοιράζεται τα επιτεύγματά του με συναδέλφους, αλλά και τα χρησιμοποιεί με επιτυχία στην πράξη:
Ο Vladimir Gennadievich, ως δάσκαλος-επιστήμονας, βάζει την ανάπτυξη και την εφαρμογή νέων τεχνολογιών στην πρώτη θέση. Στη μάθηση, συμπεριλαμβανομένης της μηχανικής μάθησης, το κύριο πράγμα για αυτόν είναι να διεισδύσει στην ουσία των φαινομένων, να κατανοήσει όλες τις διαδικασίες και όχι να απομνημονεύσει τους κανόνες, τον κώδικα ή τη σύνταξη των τεχνικών μέσων. Η πίστη του είναι η εξάσκηση και η βαθιά βύθιση στη δουλειά!

Πρακτική καθηγήτρια με 25ετή εμπειρία στο χώρο της πληροφορικής. Ειδικός στην ανάπτυξη Full-Stack συστημάτων Ιστού με χρήση (MySQL, PHP/Python, nginx, HTML5), ανάλυση δεδομένων και οπτικοποίηση με χρήση Python (Pandas, SKLearn, Keras), ανάπτυξη διεπαφών ανταλλαγής δεδομένων μεταξύ συστημάτων που χρησιμοποιούν τεχνολογίες REST, SOAP, EDIFACT, διαχείριση διακομιστών ιστού σε Debian GNU Linux (php/nginx/mariadb), δημιουργία τεχνικής τεκμηρίωσης και τεκμηρίωσης χρήστη (στα ρωσικά και αγγλικές γλώσσες).
Πήγα σε όλη τη διαδρομή από προγραμματιστής γραμμής μέχρι διευθυντής πληροφορικής της δικής μου εταιρείας. Για 25 χρόνια, έχει δημιουργήσει περίπου 20 εταιρικά πληροφοριακά συστήματα/βάσεις δεδομένων, περισσότερα από 50 πρωτότυπα, 30 ιστοσελίδες διαφορετικού μεγέθους και περιεχομένου. Εργάστηκε σε μεγάλα έργα για εταιρείες όπως η Maersk, η Toyota, η Nissan, η Rossiya-on-Line, η Glasnet. Για 5 χρόνια είναι μεταξύ των TOP 10 προγραμματιστών στη Ρωσική Ομοσπονδία στο phpClasses.org.

Ενότητα 1. Εισαγωγή στο Pytorch και τους τανυστές (4 ac. η.)

- Εισαγωγή στο μάθημα
- Εισαγωγή στα νευρωνικά δίκτυα
- Τι είναι το PyTorch;
- Γιατί να χρησιμοποιήσω τανυστές;
- Τεχνικές απαιτήσεις
- Δυνατότητες cloud
- Τι είναι οι τανυστές
- Λειτουργίες με τανυστές
- Εργαστήριο για το θέμα

Ενότητα 2. Ταξινόμηση εικόνων (4 ac. η.)

- Εργαλεία για φόρτωση και επεξεργασία δεδομένων στο PyTorch
- Δημιουργία συνόλου δεδομένων εκπαίδευσης
- Δημιουργία συνόλου δεδομένων επικύρωσης και δοκιμής
- Νευρωνικό δίκτυο ως τανυστές
- Λειτουργία ενεργοποίησης
- Δημιουργία δικτύου
- Λειτουργία απώλειας
- Βελτιστοποίηση
- Εργαστήριο, υλοποίηση σε GPU

Ενότητα 3. Συνελικτικά νευρωνικά δίκτυα (6 ac. η.)

- Δημιουργία ενός απλού συνελικτικού νευρωνικού δικτύου στο PyTorch
- Συνδυασμός επιπέδων σε ένα δίκτυο (Pooling)
- Τακτοποίηση νευρωνικών δικτύων (Dropout)
- Χρήση εκπαιδευμένων νευρωνικών δικτύων
- Μελέτη της δομής του νευρωνικού δικτύου
- Ομαλοποίηση παρτίδας (Batchnorm)
- Εργαστήριο για το θέμα

Ενότητα 4. Χρήση και μεταφορά εκπαιδευμένων μοντέλων (5 ac. η.)

- Χρήση ResNet
- Επιλογή με ταχύτητα εκμάθησης
- Διαβάθμιση ρυθμού μάθησης
- Επέκταση δεδομένων για επανεκπαίδευση
- Χρήση μετατροπέων Torchvision
- Μετατροπείς χρώματος και λάμδα
- Προσαρμοσμένοι μετατροπείς
- Σύνολα
- Εργαστήριο για το θέμα

Ενότητα 5. Ταξινόμηση κειμένων (5 ακ. η.)

- Επαναλαμβανόμενα νευρωνικά δίκτυα
- Νευρωνικά δίκτυα με μνήμη
- Βιβλιοθήκη Torchtext

Ετικέτες σύννεφο

μικροαντικείμενα

Εκτίμηση

Προβολές

Σχόλια