Deep Learning Odyssey

Först kommer vi att diskutera vad ett neuralt nätverk är och hur det fungerar. Vi kommer även att överväga dess användningsområden.

Därefter kommer vi att försöka bygga vårt eget neuronnätverk och se hur effektivt det klarar av inlärning. Vi kommer även att titta på en färdig lösning från scikit-learn-biblioteket.

Slutligen kommer vi att ge dig ytterligare användbar information om hur du kan förstå vilken modell som ska användas och vilka typer av neurala nätverk som finns. För att slutföra kursen kommer dina förvärvade kunskaper att testas.

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.

Datorseende möjliggör för maskiner att tolka och analysera visuell data, vilket efterliknar mänsklig perception. Detta avsnitt behandlar grunderna i bildrepresentation, färgmodeller och matematiska grunder som är nödvändiga för att förstå hur datorer bearbetar bilder. Du kommer att utforska verkliga tillämpningar, från autonoma fordon till medicinsk bildbehandling, samt hur datorseende integreras med AI och maskininlärning.

OpenCV är ett kraftfullt bibliotek för bildmanipulation och datorseendeuppgifter. Detta avsnitt behandlar grundläggande tekniker såsom bildfiltrering, transformationer, kantdetektion och segmentering. Du får kunskap om hur man utför suddning, tröskling, konturdetektion och funktionsutvinning för att effektivt förbättra och analysera bilder.

CNN bearbetar visuella data med hjälp av konvolution, pooling och aktiveringslager för att extrahera egenskaper för uppgifter som bildklassificering och objektigenkänning. Viktiga komponenter inkluderar padding, konvolution för egenskapsutvinning, pooling för komplexitetsreduktion och aktivering för icke-linjäritet. Populära arkitekturer som AlexNet, VGG och ResNet driver AI inom hälso- och sjukvård, autonomi och säkerhet.

Objektdetektering är en grundläggande uppgift inom datorseende som innebär att identifiera och lokalisera objekt i en bild. Till skillnad från bildklassificering, som tilldelar en enda etikett till en hel bild, klassificerar objektdetektering inte bara objekt utan bestämmer även deras positioner med hjälp av avgränsningsrutor. Detta avsnitt behandlar centrala tekniker och algoritmer som används vid objektdetektering, från traditionella metoder till djupinlärningsbaserade tillvägagångssätt såsom YOLO och U-Net.

Datorseende har utvecklats avsevärt under åren, från grundläggande bildbehandlingsmetoder till avancerade djupinlärningstekniker. Detta avsnitt behandlar de senaste innovationerna inom datorseende, med fokus på transferinlärning, ansiktsigenkänning och bildgenerering. Vi undersöker fördelarna med förtränade modeller för prestanda, principerna bakom ansiktsigenkänningsteknik samt hur AI skapar bilder med hjälp av djupinlärning.

Behandlar begränsningarna hos traditionella neurala nätverk för sekventiell data och introducerar grunderna i Recurrent Neural Networks. Förklarar RNN-arkitektur, typer och steg-för-steg-implementering genom grundläggande exempel och en kodningsutmaning.

Utforskar vanliga träningsutmaningar såsom försvinnande och exploderande gradienter. Introducerar avancerade RNN-varianter inklusive LSTM och GRU, med fokus på deras interna mekanismer och användningsområden, samt praktiska implementeringsexempel för varje.

Fokuserar på bearbetning och prognostisering av tidsseriedata med hjälp av RNN-baserade modeller. Inkluderar datainläsning, förbehandlingstekniker, modellträning och prestandautvärdering, med tonvikt på jämförelse mellan LSTM- och GRU-arkitekturer.

Visar tillämpningen av RNN:er på textklassificeringsuppgifter. Täcker grundläggande NLP-koncept, metoder för textkodning, steg för databereddning samt konstruktion av en LSTM-baserad modell för sentimentprediktion.