Lokalizacja | Termin | Cena | Wybierz | |
---|---|---|---|---|
{{place.city}}
{{ event_pack_item.event_details.education_center.name }}
???
|
{{place.date}}
({{ event_pack_item.product_details.product_informations.code }} / {{ event_pack_item.product_details.product_informations.name }})
{{ altkomDateFormatMoment(event_pack_item.event_details.startdate, event_pack_item.event_details.enddate) }}
???
|
|
||
Skontaktuj się z nami | ||||
Dostępne terminy: | ||||
DISTANCE LEARNING | 2024-06-20 - 2024-06-21 | |||
DISTANCE LEARNING | 2024-08-22 - 2024-08-23 | |||
DISTANCE LEARNING | 2024-10-17 - 2024-10-18 | |||
DISTANCE LEARNING | 2024-12-12 - 2024-12-13 | |||
Lokalizacja i termin do uzgodnienia |
|
-
Liczba miejsc (dostępnych: {{ basketAddItem.free_seats}})
{{ basketAddItem.city }}
{{ basketAddItem.date }}
Liczba miejsc xxxxxxxxxx
Żeby dowiedzieć się, czy dane szkolenie będzie realizowane stacjonarnie skontaktuj się ze swoim Opiekunem lub zadaj pytanie przez Formularz kontaktowy
Szkolenie przeznaczone jest dla osób chcących poznać podstawy głębokich sieci neuronowych oraz nauczyć się wykorzystania pakietu Keras w celu ich implementacji.
Uczestnicy poznają teoretyczne oraz praktyczne (implementacja z użyciem pakietu Keras) podstawy sieci neuronowych. Podczas szkolenia zostaną omówione trzy podstawowe architektury: najbardziej klasyczna, czyli perceptron wielowarstwowy, sieć konwolucyjna osiągająca bardzo dobre rezultaty dla problemów obrazowych oraz sieć rekurencyjna znajdująca szczególne zastosowanie w przetwarzaniu języka naturalnego. Ponadto podjęty zostanie temat kodowania obrazów oraz tekstu w celu wykorzystania ich przez sieć neuronową.
Omawiane zagadnienia deep learningu uczestnicy będą implementować w pakiecie Keras, dlatego niezbędna jest znajomość podstaw uczenia maszynowego oraz języka Python. Ponadto, w celu zrozumienia teoretycznych podstaw działania sieci, przydatna będzie umiejętność różniczkowania funkcji (pochodne) oraz mnożenia macierzy.
- Szkolenie: polski
- Wprowadzenie do sieci neuronowych
- Inspiracja biologiczna
- Model neuronu
- Funkcje aktywacji
- Architektura perceptronu wielowarstwowego
- Działanie perceptronu wielowarstwowego
- Metoda gradientu prostego
- Parametry a hiperparametry
- Uczenie perceptronu wielowarstwowego (algorytm propagacji wstecznej)
- Uczenie batchowe a uczenie online
- Tuning architektury
- Konwolucyjne sieci neuronowe
- Czym jest computer vision?
- Filtry i konwolucje
- Warstwa poolingowa
- Dlaczego konwolucje dają tak dobre rezultaty?
- Klasyfikacja obrazów
- Przegląd znanych architektur konwolucyjnych
- Przeuczenie/niedouczenie (overfitting/underfitting)
- Optymalizacja długości treningu sieci
- Wzbogacanie danych (data augmentation)
- Łączenie sieci konwolucyjnych w zespół (ensembling)
- Rekurencyjne sieci neuronowe
- Architektura sieci rekurencyjnej
- Wprowadzenie do przetwarzania języka naturalnego
- Klasyfikacja tekstów
- GRU a LSTM
- Transfer learning
- Inspiracja biologiczna
- Model neuronu
- Funkcje aktywacji
- Architektura perceptronu wielowarstwowego
- Działanie perceptronu wielowarstwowego
- Metoda gradientu prostego
- Parametry a hiperparametry
- Uczenie perceptronu wielowarstwowego (algorytm propagacji wstecznej)
- Uczenie batchowe a uczenie online
- Tuning architektury
- Czym jest computer vision?
- Filtry i konwolucje
- Warstwa poolingowa
- Dlaczego konwolucje dają tak dobre rezultaty?
- Klasyfikacja obrazów
- Przegląd znanych architektur konwolucyjnych
- Przeuczenie/niedouczenie (overfitting/underfitting)
- Optymalizacja długości treningu sieci
- Wzbogacanie danych (data augmentation)
- Łączenie sieci konwolucyjnych w zespół (ensembling)
- Architektura sieci rekurencyjnej
- Wprowadzenie do przetwarzania języka naturalnego
- Klasyfikacja tekstów
- GRU a LSTM
- Transfer learning
Cena promocyjna od:
Advanced
Powtórzenia szkolenia
Kod szkolenia: PL AA 5d
Kod szkolenia: PL AA 2d
Kod szkolenia: PL AA 5d
Kod szkolenia: PL AA 2d
Kod szkolenia: PL AA 3d
Kod szkolenia: PL AA 4d
Kod szkolenia: PL AA 5d