Deep Learning Odyssey

Først skal vi diskutere hva et nevralt nettverk er og hvordan det fungerer. Vi vil også vurdere anvendelsesområdet.

Deretter skal vi forsøke å bygge vårt eget nevrale nettverk og se hvor effektivt det håndterer læring. Vi vil også se på en ferdig løsning fra scikit-learn-biblioteket.

Til slutt vil vi gi deg noe tilleggsinformasjon om hvordan du kan forstå hvilken modell som bør brukes og hvilke typer nevrale nettverk som finnes. For å fullføre kurset vil du bli testet på den kunnskapen du har tilegnet deg.

You will gain a foundational understanding of TensorFlow's primary components - Tensors. You'll delve into the nature and applications of tensors, familiarize yourself with tensor properties, and acquire knowledge in essential mathematical operations.

You'll learn how TensorFlow operates and the ways to improve its performance. By the end of this module, you'll be well-equipped to implement basic neural networks or other tensor calculations, using only the TensorFlow library without any extras.

Explore the fundamentals of PyTorch, focusing on tensors—the core data structure used for computations. You will learn about tensor creation, random initialization, mathematical operations, and shape manipulation.

Explore key concepts for training models in PyTorch, including computing gradients and performing multi-step backpropagation. Master linear regression as a foundational machine learning model and introduces handling datasets efficiently.

Discover how to build, train, and evaluate neural networks using PyTorch. You will learn how to define a simple feedforward neural network, optimize its parameters through training, and assess its performance.

Datamaskinsyn gjør det mulig for maskiner å tolke og analysere visuelle data, og etterligner menneskelig persepsjon. Denne delen dekker grunnleggende bilderepresentasjon, fargemodeller og matematiske grunnprinsipper som er essensielle for å forstå hvordan datamaskiner behandler bilder. Du vil utforske virkelige anvendelser, fra autonome kjøretøy til medisinsk bildediagnostikk, og lære hvordan datamaskinsyn integreres med KI og maskinlæring.

OpenCV er et kraftig bibliotek for bildebehandling og oppgaver innen datamaskinsyn. Denne delen dekker grunnleggende teknikker som bildefiltrering, transformasjoner, kantdeteksjon og segmentering. Du vil lære hvordan man utfører uskarphet, terskling, konturdeteksjon og funksjonsekstraksjon for å forbedre og analysere bilder effektivt.

CNN-er behandler visuelle data ved hjelp av konvolusjon, pooling og aktiveringslag for å trekke ut egenskaper til oppgaver som bildeklassifisering og objektdeteksjon. Viktige komponenter inkluderer padding, konvolusjon for egenskapsuttrekking, pooling for reduksjon av kompleksitet og aktivering for ikke-linearitet. Populære arkitekturer som AlexNet, VGG og ResNet driver KI innen helsevesen, autonomi og sikkerhet.

Objektdeteksjon er en grunnleggende oppgave innen datamaskinsyn som innebærer å identifisere og lokalisere objekter i et bilde. I motsetning til bildeklassifisering, som tilordner én enkelt etikett til et helt bilde, klassifiserer objektdeteksjon ikke bare objekter, men bestemmer også deres posisjoner ved hjelp av avgrensningsbokser. Denne delen dekker sentrale teknikker og algoritmer brukt i objektdeteksjon, fra tradisjonelle metoder til dyp læringsbaserte tilnærminger som YOLO og U-Net.

Datamaskinsyn har utviklet seg betydelig over tid, fra grunnleggende bildebehandlingsmetoder til avanserte dyp læring-teknikker. Denne delen tar for seg de nyeste innovasjonene innen datamaskinsyn, med fokus på overføringslæring, ansiktsgjenkjenning og bildegenerering. Vi utforsker fordelene med forhåndstrente modeller for ytelse, prinsippene bak ansiktsgjenkjenningsteknologi og hvordan KI skaper bilder gjennom dyp læring.

Dekker begrensningene ved tradisjonelle nevrale nettverk for sekvensielle data og introduserer grunnleggende prinsipper for rekurrente nevrale nettverk. Forklarer RNN-arkitektur, typer og trinnvis implementering gjennom grunnleggende eksempler og en kodeutfordring.

Utforsker vanlige treningsutfordringer som forsvinnende og eksploderende gradienter. Introduserer avanserte RNN-varianter, inkludert LSTM og GRU, med vekt på deres interne mekanismer og bruksområder, samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prediksjon av tidsseriedata ved bruk av RNN-baserte modeller. Inkluderer datainnhenting, forhåndsprosesseringsteknikker, modelltrening og ytelsesevaluering, med vekt på sammenligning av LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen av RNN-er på tekstklassifiseringsoppgaver. Dekker sentrale NLP-konsepter, metoder for tekstkoding, trinn for datapreparering og konstruksjon av en LSTM-basert modell for prediksjon av sentiment.