Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
План на курса
Част 1 – Deep Learning и DNN концепции
Въведение AI, Machine Learning и дълбоко обучение
- История, основни концепции и обичайни приложения на изкуствения интелект далеч от фантазиите, носени от тази област Колективен интелект: агрегиране на знания, споделени от много виртуални агенти Генетични алгоритми: за развитие на популация от виртуални агенти чрез селекция Обичайна машина за обучение: дефиниция. Типове задачи: контролирано обучение, неконтролирано обучение, подсилващо обучение Типове действия: класификация, регресия, групиране, оценка на плътността, намаляване на размерността Примери за алгоритми за машинно обучение: Линейна регресия, Наивен Бейс, Случайно дърво Машинно обучение VS Deep Learning: проблеми на кое машинно обучение остава днес най-модерното (Random Forests & XGBoosts)
Основни понятия за невронна мрежа (Приложение: многослоен перцептрон)
- Напомняне на математически основи. Дефиниция на мрежа от неврони: класическа архитектура, активиране и претегляне на предишни активации, дълбочина на мрежа. Дефиниция на обучението на мрежа от неврони: функции на цената, обратно разпространение, стохастичен градиентен спад, максимална вероятност. Моделиране на невронна мрежа: моделиране на входни и изходни данни според вида на проблема (регресия, класификация ...). Проклятие на размерността. Разлика между многофункционални данни и сигнал. Избор на разходна функция според данните. Апроксимация на функция чрез мрежа от неврони: представяне и примери Апроксимация на разпределение чрез мрежа от неврони: представяне и примери Увеличаване на данни: как да се балансира набор от данни Обобщаване на резултатите от мрежа от неврони. Инициализация и регуляризация на невронна мрежа: L1 / L2 регуляризация, пакетна нормализация, оптимизация и алгоритми за конвергенция
Стандартни ML / DL инструменти
Планира се проста презентация с предимства, недостатъци, позиция в екосистемата и използване.
- Инструменти за управление на данни: Apache Spark, Apache Hadoop Tools Машинно обучение: Numpy, Scipy, Sci-kit DL рамки на високо ниво: PyTorch, Keras, Lasagne DL рамки на ниско ниво: Theano, Torch, Caffe, Tensorflow
Конволюционен Neural Networks (CNN).
- Представяне на CNN: основни принципи и приложения. Основна работа на CNN: конволюционен слой, използване на ядро, Padding & stride, генериране на карта на функции, обединяване на слоеве. Разширения 1D, 2D и 3D. Представяне на различните архитектури на CNN, които донесоха най-съвременното класифициране Изображения: LeNet, VGG Networks, Network in Network, Inception, Resnet. Представяне на иновациите, предизвикани от всяка архитектура и техните по-глобални приложения (Convolution 1x1 или остатъчни връзки) Използване на модел на внимание. Приложение към общ класификационен случай (текст или изображение) CNN за генериране: супер разделителна способност, сегментиране от пиксел до пиксел. Представяне на основните стратегии за увеличаване на картите на характеристиките за генериране на изображения.
Повтарящ се Neural Networks (RNN).
- Представяне на RNN: основни принципи и приложения. Основна работа на RNN: скрито активиране, обратно разпространение във времето, разгъната версия. Еволюция към Gated Recurrent Units (GRU) и LSTM (Long Short Term Memory). Представяне на различните състояния и еволюциите, донесени от тези архитектури. Проблеми с конвергенцията и изчезването на градиента. Класически архитектури: прогнозиране на времеви серии, класификация ... RNN Encoder Архитектура тип декодер. Използване на модел на внимание. NLP приложения: кодиране на думи / знаци, превод. Видео приложения: предвиждане на следващото генерирано изображение на видео поредица.
Генерационни модели: Variational AutoEncoder (VAE) и Generative Adversarial Networks (GAN).
- Представяне на генерационните модели, връзка с CNNs Auto-encoder: намаляване на размерността и ограничено генериране Вариационен авто-енкодер: генерационен модел и апроксимация на разпределението на дадена. Определение и използване на латентно пространство. Трик за препараметриране. Приложения и наблюдавани ограничения Генеративни състезателни мрежи: Основи. Двойна мрежова архитектура (генератор и дискриминатор) с алтернативно обучение, налични функции за разходи. Конвергенция на GAN и срещани трудности. Подобрена конвергенция: Wasserstein GAN, Began. Разстояние на преместване на Земята. Приложения за генериране на изображения или снимки, генериране на текст, супер-резолюция.
Дълбоко Reinforcement Learning.
- Представяне на обучение с подсилване: контрол на агент в дефинирана среда чрез състояние и възможни действия Използване на невронна мрежа за приближаване на функцията на състоянието Deep Q Learning: преиграване на опит и приложение за управление на видео игра. Оптимизиране на учебната политика. В съответствие с правилата и извън правилата. Архитектура на актьорския критик. A3C. Приложения: управление на отделна видео игра или цифрова система.
Част 2 – Theano за Deep Learning
Основи на Theano
- Въведение Инсталиране и конфигуриране
Теано функции
- входове, изходи, актуализации, дадености
Обучение и оптимизиране на невронна мрежа с помощта на Theano
- Моделиране на невронни мрежи Логистична регресия Скрити слоеве Обучение на мрежа Компютри и класификация Оптимизация Загуба на журнал
Тестване на модела
Част 3 – DNN с помощта на Tensorflow
TensorFlow Основи
- Създаване, инициализиране, запазване и възстановяване на TensorFlow променливи Подаване, четене и предварително зареждане TensorFlow Данни Как да използваме TensorFlow инфраструктура за обучение на модели в мащаб Визуализиране и оценяване на модели с TensorBoard
TensorFlow Механика
- Подгответе входните данни за изтегляне на данни и контейнерите за място. Изградете GraphS Inference Loss Training
От Perceptron до поддържащи векторни машини
- Ядрата и трикът на ядрото Максимална класификация на границите и поддържащи вектори
Изкуствен Neural Networks
- Граници на нелинейни решения Изкуствени невронни мрежи за предаване и обратна връзка Многослойни персептрони Минимизиране на функцията на разходите Разпространение напред Разпространение назад Подобряване на начина, по който невронните мрежи учат
Конволюционен Neural Networks
- Goals Принципи на архитектурата на модела Организация на кода Стартиране и обучение на модела Оценка на модел
- Основни въведения, които трябва да бъдат дадени на модулите по-долу (Кратко въведение, което трябва да бъде предоставено въз основа на наличността на времето):
Tensorflow – Разширено използване
Threading и Queues Distributed TensorFlow Писане на документация и споделяне на вашия модел Персонализиране на четци на данни Манипулиране на TensorFlow Моделни файлове
TensorFlow Сервиране
- Въведение Урок за основно обслужване Урок за разширено обслужване Урок за начален модел на сервиране
Изисквания
Обучение по физика, математика и програмиране. Участие в дейности по обработка на изображения.
Делегатите трябва да имат предварително разбиране на концепциите за машинно обучение и трябва да са работили върху Python програмиране и библиотеки.
35 Hours
