Deep Learning-odysseen

Først vil vi diskutere, hvad et neuralt netværk er, og hvordan det fungerer. Vi vil også overveje anvendelsesområdet.

Herefter vil vi forsøge at opbygge vores eget neurale netværk og undersøge, hvor effektivt det håndterer læring. Vi vil også se på en færdig løsning fra scikit-learn-biblioteket.

Afslutningsvis vil vi give dig yderligere nyttig information om, hvordan du kan forstå, hvilken model der skal anvendes, samt hvilke typer neurale netværk der findes. For at afslutte kurset vil din tilegnede viden blive testet.

Du vil opnå en grundlæggende forståelse af TensorFlows primære komponenter – tensorer. Du vil fordybe dig i tensorers natur og anvendelser, blive fortrolig med tensorers egenskaber og tilegne dig viden om væsentlige matematiske operationer.

Du vil lære, hvordan TensorFlow fungerer, samt måder at forbedre dets ydeevne på. Ved afslutningen af dette modul vil du være godt rustet til at implementere grundlæggende neurale netværk eller andre tensorberegninger ved kun at bruge TensorFlow-biblioteket uden ekstra tilføjelser.

Udforsk grundlæggende PyTorch med fokus på tensorer, som er den centrale datastruktur til beregninger. Du vil lære om oprettelse af tensorer, tilfældig initialisering, matematiske operationer og formmanipulation.

Udforsk centrale begreber for træning af modeller i PyTorch, herunder beregning af gradienter og udførelse af multi-trins backpropagation. Opnå fortrolighed med lineær regression som en grundlæggende maskinlæringsmodel og introducer effektiv håndtering af datasæt.

Opdag, hvordan man opbygger, træner og evaluerer neurale netværk ved hjælp af PyTorch. Du vil lære at definere et simpelt feedforward neuralt netværk, optimere dets parametre gennem træning og vurdere dets ydeevne.

Computer vision gør det muligt for maskiner at fortolke og analysere visuelle data ved at efterligne menneskelig perception. Dette afsnit dækker grundlæggende billedrepræsentation, farvemodeller og matematiske fundamenter, som er essentielle for at forstå, hvordan computere behandler billeder. Du vil udforske virkelige anvendelser, fra autonome køretøjer til medicinsk billedbehandling, og få indsigt i, hvordan computer vision integreres med AI og maskinlæring.

OpenCV er et kraftfuldt bibliotek til billedmanipulation og computer vision-opgaver. Dette afsnit dækker væsentlige teknikker såsom billedfiltrering, transformationer, kantdetektion og segmentering. Du lærer at udføre sløring, tærskling, konturdetektion og feature-ekstraktion for at forbedre og analysere billeder effektivt.

CNN'er behandler visuelle data ved hjælp af konvolution, pooling og aktiveringslag for at udtrække træk til opgaver som billedklassificering og objektdetektion. Centrale komponenter omfatter padding, konvolution til trækudtrækning, pooling til reduktion af kompleksitet og aktivering for ikke-linearitet. Populære arkitekturer som AlexNet, VGG og ResNet driver AI inden for sundhedspleje, autonomi og sikkerhed.

Objektdetektion er en grundlæggende opgave inden for computer vision, der omfatter identifikation og lokalisering af objekter i et billede. I modsætning til billedklassificering, som tildeler en enkelt etiket til et helt billede, klassificerer objektdetektion ikke kun objekter, men bestemmer også deres positioner ved hjælp af afgrænsningsbokse. Dette afsnit dækker centrale teknikker og algoritmer anvendt i objektdetektion, fra traditionelle metoder til dybdelæringsbaserede tilgange som YOLO og U-Net.

Computer vision har gennemgået betydelige fremskridt gennem årene, fra grundlæggende billedbehandlingsmetoder til avancerede deep learning-teknikker. Dette afsnit undersøger de nyeste innovationer inden for computer vision med fokus på transfer learning, ansigtsgenkendelse og billedgenerering. Vi udforsker fordelene ved prætrænede modeller for ydeevne, principperne bag ansigtsgenkendelsesteknologi samt hvordan AI skaber billeder ved hjælp af deep learning.

Dækker begrænsningerne ved traditionelle neurale netværk for sekventielle data og introducerer grundlæggende principper for Recurrent Neural Networks. Forklarer RNN-arkitektur, typer og trinvis implementering gennem grundlæggende eksempler og en kodningsudfordring.

Undersøger almindelige træningsudfordringer såsom forsvindende og eksploderende gradienter. Introducerer avancerede RNN-varianter, herunder LSTM og GRU, med fokus på deres interne mekanismer og anvendelsesområder samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prognose af tidsseriedata ved hjælp af RNN-baserede modeller. Omfatter dataindlæsning, forbehandlingsteknikker, modeltræning og præstationsvurdering med vægt på sammenligning af LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen af RNN'er til tekstklassificeringsopgaver. Dækker centrale NLP-begreber, tekstkodningsmetoder, trin til dataklargøring og opbygning af en LSTM-baseret model til sentimentforudsigelse.