Pobierz kartę szkolenia

Deep learning w języku Python

kod szkolenia: PYTH_DEEP / PL AA 2d

Pakiety e-learning

Termin

tryb Distance Learning

poziom Zaawansowany

czas trwania 2 dni |  14h|  22.08 23.08
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
czas trwania 2 dni |  14h|  17.10 18.10
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
czas trwania 2 dni |  14h|  12.12 13.12
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
2 100,00 PLN 2 583,00 PLN brutto

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
  1. 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
  2. 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)
  3. Rekurencyjne sieci neuronowe
    • Architektura sieci rekurencyjnej
    • Wprowadzenie do przetwarzania języka naturalnego
    • Klasyfikacja tekstów
    • GRU a LSTM
    • Transfer learning