Neuronale Netze. Computer Vision und Lesen (NLP). — Tarif 31990 Rubel. vom Spezialisten, Ausbildung 24 akademische Stunden, Datum: 11. Dezember 2023.
Verschiedenes / / December 03, 2023
Neuronale Netze - fest etablierte moderne Content-Verarbeitungstechnologie. Heutzutage nutzen viele Computer-IT-Unternehmen diese Technologie, um Computerroboter und Chatbots zu entwickeln. Die bekanntesten davon Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) wurden mit dieser Technologie erstellt.
In diesem Kurs werden eine Reihe neuronaler Netze untersucht, die in Python mithilfe der 2017 entwickelten Tensorflow-Bibliothek, nämlich PyTorch, implementiert wurden. Diese Algorithmen bilden die Grundlage für die Lösung von Problemen im Bereich Computer Vision und Lesen, erschöpfen diese jedoch nicht, da sich dieser Bereich ständig weiterentwickelt und verbessert.
- Mit Tensoren in Python interagieren
- Machen Sie sich mit den Grundlagen von PyTorch vertraut
- Vertiefen Sie Ihre Python-Kenntnisse
- Machen Sie sich mit der Bildverarbeitung mithilfe neuronaler Netze und Python vertraut
- Machen Sie sich mit der Sprach- und Textverarbeitung vertraut
Dozent für Python-Kurse für maschinelles Lernen. Vladimir Gennadievich ist ein erfahrener Praktiker, Kandidat der physikalischen und mathematischen Wissenschaften und aktiver Forscher.
In seiner Arbeit nutzt er Methoden des maschinellen Lernens und der Automatisierung der Datenerfassung unter Verwendung der Programmiersprachen Python, R, C++, Verilog.
Vladimir Gennadievich ist Mitglied der Forschergemeinschaft Research Gate und überwacht ständig, wie Programmierung in der Wissenschaft und modernen Entwicklungen eingesetzt wird. Er teilt mit seinen Zuhörern Know-how und aktuelle Techniken, die ihnen helfen werden, ihre Projekte besser und erstklassig zu machen.
Vladimir Gennadievich veröffentlichte 56 Artikel in Publikationen wie Physical Review B, Physica E, „Journal of Experimental and Theoretical Physics“ und „Physics and Technology of Semiconductors“. Wladimir Gennadijewitsch beteiligt sich nicht nur an der Entwicklung der Wissenschaft und teilt seine Errungenschaften mit Kollegen, sondern setzt sie auch erfolgreich in der Praxis ein:
Für Wladimir Gennadijewitsch steht als Lehrer-Wissenschaftler die Entwicklung und Anwendung neuer Technologien an erster Stelle. Beim Lernen, auch beim maschinellen Lernen, geht es für ihn vor allem darum, in die Essenz von Phänomenen einzudringen, alle Prozesse zu verstehen und nicht die Regeln, den Code oder die Syntax technischer Mittel auswendig zu lernen. Sein Credo ist Übung und tiefes Eintauchen in die Arbeit!
Praxisnaher Lehrer mit 25 Jahren Erfahrung im Bereich Informationstechnologie. Experte für Full-Stack-Entwicklung von Websystemen mit (MySQL, PHP/Python, Nginx, HTML5), Datenanalyse und Visualisierung mit Python (Pandas, SKLearn, Keras), Entwicklung...
Praxisnaher Lehrer mit 25 Jahren Erfahrung im Bereich Informationstechnologie. Experte für Full-Stack-Entwicklung von Websystemen mit (MySQL, PHP/Python, Nginx, HTML5), Datenanalyse und Visualisierung mit Python (Pandas, SKLearn, Keras), Entwicklung von Datenaustauschschnittstellen zwischen Systemen unter Verwendung von REST-, SOAP-, EDIFACT-Technologien, Verwaltung von Webservern unter Debian GNU Linux (php/nginx/mariadb), Erstellung technischer Dokumentation und Benutzerdokumentation (auf Russisch und Englische Sprachen).
Ich habe mich vom Linienentwickler zum IT-Leiter meines eigenen Unternehmens entwickelt. Im Laufe von 25 Jahren hat er etwa 20 Unternehmensinformationssysteme/Datenbanken, mehr als 50 Prototypen und 30 Websites unterschiedlicher Größe und unterschiedlichen Inhalts erstellt. Arbeitete an großen Projekten für Unternehmen wie Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Seit 5 Jahren gehört er auf phpClasses.org zu den TOP 10 Entwicklern in der Russischen Föderation.
Modul 1. Einführung in Pytorch und Tensoren (4 ac. H.)
- Einführung in den Kurs
- Einführung in neuronale Netze
- Was ist PyTorch?
- Warum Tensoren verwenden?
- Technische Anforderungen
- Cloud-Funktionen
- Was sind Tensoren?
- Operationen mit Tensoren
- Workshop zum Thema
Modul 2. Bildklassifizierung (4 ac. H.)
- Tools zum Laden und Verarbeiten von Daten in PyTorch
- Erstellen eines Trainingsdatensatzes
- Erstellung eines Validierungs- und Testdatensatzes
- Neuronales Netzwerk als Tensoren
- Aktivierungsfunktion
- Netzwerkerstellung
- Verlustfunktion
- Optimierung
- Workshop, Implementierung auf GPU
Modul 3. Faltungs-Neuronale Netze (6 ac. H.)
- Aufbau eines einfachen Faltungs-Neuronalen Netzwerks in PyTorch
- Schichten in einem Netzwerk zusammenfassen (Pooling)
- Regularisierung neuronaler Netze (Dropout)
- Einsatz trainierter neuronaler Netze
- Untersuchung der Struktur des neuronalen Netzwerks
- Batch-Normalisierung (Batchnorm)
- Workshop zum Thema
Modul 4. Einsatz und Transfer trainierter Modelle (5 ac. H.)
- Verwenden von ResNet
- Auswahl nach Lerngeschwindigkeit
- Lernratengradient
- Datenerweiterung zur Umschulung
- Verwendung von Torchvision-Konvertern
- Farb- und Lambda-Konverter
- Benutzerdefinierte Konverter
- Ensembles
- Workshop zum Thema
Modul 5. Textklassifizierung (5 ac. H.)
- Wiederkehrende neuronale Netze
- Neuronale Netze mit Gedächtnis
- Torchtext-Bibliothek