Одіссея глибинного навчання

Спочатку ми розглянемо, що таке нейронна мережа та як вона працює. Також розглянемо сфери її застосування.

Далі ми спробуємо побудувати власну нейронну мережу та оцінити її ефективність у навчанні. Також розглянемо готове рішення з бібліотеки scikit-learn.

Нарешті, ми надамо додаткову корисну інформацію щодо вибору моделі та типів нейронних мереж. Для завершення курсу буде проведено тестування набутих знань.

Ви отримаєте базові знання про основні компоненти TensorFlow — тензори. Ви розглянете природу та застосування тензорів, ознайомитеся з їхніми властивостями та здобудете знання про основні математичні операції.

Ви дізнаєтеся, як працює TensorFlow, а також способи підвищення його продуктивності. Після завершення цього модуля ви будете добре підготовлені до реалізації базових нейронних мереж або інших обчислень з тензорами, використовуючи лише бібліотеку TensorFlow без додаткових компонентів.

Ознайомлення з основами PyTorch із акцентом на тензорах — основній структурі даних для обчислень. Розгляд створення тензорів, випадкової ініціалізації, математичних операцій і зміни форми тензорів.

Ознайомлення з основними концепціями тренування моделей у PyTorch, зокрема обчисленням градієнтів і виконанням багатокрокового зворотного поширення. Вивчення лінійної регресії як базової моделі машинного навчання та ознайомлення з ефективною обробкою наборів даних.

Дізнайтеся, як створювати, навчати та оцінювати нейронні мережі за допомогою PyTorch. Ви ознайомитеся з визначенням простої прямої нейронної мережі, оптимізацією її параметрів під час навчання та оцінкою її продуктивності.

Комп'ютерний зір дозволяє машинам інтерпретувати та аналізувати візуальні дані, імітуючи людське сприйняття. У цьому розділі розглядаються основи представлення зображень, колірні моделі та математичні основи, необхідні для розуміння того, як комп'ютери обробляють зображення. Ви ознайомитеся з реальними прикладами застосування — від автономних транспортних засобів до медичної візуалізації, а також дізнаєтеся, як комп'ютерний зір інтегрується з штучним інтелектом і машинним навчанням.

OpenCV — це потужна бібліотека для маніпуляції зображеннями та задач комп'ютерного зору. У цьому розділі розглядаються основні техніки, такі як фільтрація зображень, перетворення, виявлення контурів та сегментація. Ви ознайомитеся з методами розмиття, бінаризації, знаходження контурів та виділення ознак для ефективного покращення та аналізу зображень.

Згорткові нейронні мережі обробляють візуальні дані за допомогою згорткових, пулінгових та активаційних шарів для виділення ознак у завданнях класифікації зображень та виявлення об'єктів. Основні компоненти включають паддінг, згортку для виділення ознак, пулінг для зменшення складності та активацію для нелінійності. Популярні архітектури, такі як AlexNet, VGG та ResNet, використовуються в штучному інтелекті для медицини, автономних систем і безпеки.

Виявлення об'єктів — це фундаментальне завдання комп'ютерного зору, яке полягає у ідентифікації та локалізації об'єктів на зображенні. На відміну від класифікації зображень, яка призначає одну мітку всьому зображенню, виявлення об'єктів не лише класифікує об'єкти, а й визначає їхні позиції за допомогою обмежувальних рамок. У цьому розділі розглядаються основні техніки та алгоритми, що використовуються для виявлення об'єктів, від традиційних методів до підходів на основі глибокого навчання, таких як YOLO та U-Net.

Комп'ютерний зір значно розвинувся за останні роки, перейшовши від базових методів обробки зображень до складних технологій глибокого навчання. У цьому розділі розглядаються новітні інновації у сфері комп'ютерного зору з акцентом на трансферне навчання, розпізнавання облич та генерацію зображень. Ми дослідимо переваги попередньо навчених моделей для продуктивності, принципи технології розпізнавання облич та способи створення зображень штучним інтелектом за допомогою глибокого навчання.

Охоплює обмеження традиційних нейронних мереж для послідовних даних та знайомить з основами рекурентних нейронних мереж. Пояснює архітектуру RNN, типи та покрокову реалізацію на базових прикладах і через практичне завдання з програмування.

Розглядаються поширені проблеми навчання, такі як зникнення та вибух градієнтів. Представляються просунуті варіанти RNN, зокрема LSTM та GRU, з акцентом на їхні внутрішні механізми та сфери застосування, а також практичні приклади реалізації для кожного.

Зосереджено на обробці та прогнозуванні даних часових рядів за допомогою моделей на основі RNN. Містить завантаження даних, методи попередньої обробки, навчання моделей і оцінювання продуктивності з акцентом на порівнянні архітектур LSTM і GRU.

Демонструє застосування RNN до завдань класифікації тексту. Охоплює основні поняття NLP, методи кодування тексту, етапи підготовки даних та побудову моделі на основі LSTM для прогнозування сентименту.