Redes neurais. Visão computacional e leitura (PNL). — taxa 31990 esfregar. de Especialista, formação 24 horas acadêmicas, data: 11 de dezembro de 2023.
Miscelânea / / December 03, 2023
Redes neurais - tecnologia moderna de processamento de conteúdo firmemente estabelecida. Hoje, muitas empresas de TI usam essa tecnologia para criar robôs de computador e bots de bate-papo. Os mais famosos deles Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) foram criados usando esta tecnologia.
Este curso examinará uma série de redes neurais implementadas em Python usando a biblioteca Tensorflow, nomeadamente PyTorch, desenvolvida em 2017. Esses algoritmos constituem a base para a resolução de problemas de visão computacional e leitura, mas não a esgotam, uma vez que esta área está em constante desenvolvimento e aprimoramento.
- interagir com tensores em Python
- familiarize-se com os fundamentos do PyTorch
- aprofunde seu conhecimento de Python
- familiarizar-se com processamento de imagens usando redes neurais e Python
- familiarizar-se com o processamento de fala e texto
Professor de cursos de Python para aprendizado de máquina. Vladimir Gennadievich é um praticante experiente, candidato em ciências físicas e matemáticas e pesquisador ativo.
Em seu trabalho, utiliza métodos de aprendizado de máquina e automação de coleta de dados utilizando as linguagens de programação Python, R, C++, Verilog.
Vladimir Gennadievich é membro da comunidade de pesquisadores Research Gate e monitora constantemente como a programação é usada na ciência e nos desenvolvimentos modernos. Ele compartilha com seus ouvintes conhecimentos e técnicas atuais que ajudarão a tornar seus projetos melhores e de classe mundial.
Vladimir Gennadievich publicou 56 artigos em publicações como Physical Review B, Physica E, “Journal of Experimental and Theoretical Physics”, “Physics and Technology of Semiconductors”. Vladimir Gennadievich não apenas participa do desenvolvimento da ciência e compartilha suas conquistas com os colegas, mas também as utiliza com sucesso na prática:
Vladimir Gennadievich, como professor-cientista, coloca o desenvolvimento e a aplicação de novas tecnologias em primeiro lugar. No aprendizado, inclusive no aprendizado de máquina, o principal para ele é penetrar na essência dos fenômenos, compreender todos os processos, e não memorizar as regras, o código ou a sintaxe dos meios técnicos. Seu credo é prática e imersão profunda no trabalho!
Professor prático com 25 anos de experiência na área de tecnologia da informação. Especialista em desenvolvimento Full-Stack de sistemas web utilizando (MySQL, PHP/Python, nginx, HTML5), análise e visualização de dados utilizando Python (Pandas, SKLearn, Keras), desenvolvimento...
Professor prático com 25 anos de experiência na área de tecnologia da informação. Especialista em desenvolvimento Full-Stack de sistemas web utilizando (MySQL, PHP/Python, nginx, HTML5), análise e visualização de dados utilizando Python (Pandas, SKLearn, Keras), desenvolvimento de interfaces de troca de dados entre sistemas utilizando tecnologias REST, SOAP, EDIFACT, administração de servidores web em Debian GNU Linux (php/nginx/mariadb), criação de documentação técnica e de usuário (em russo e línguas inglesas).
Passei de desenvolvedor de linha a diretor de TI da minha própria empresa. Ao longo de 25 anos, criou cerca de 20 sistemas/bancos de dados corporativos, mais de 50 protótipos, 30 sites de diversos tamanhos e conteúdos. Atuou em grandes projetos para empresas como Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Por 5 anos ele esteve entre os 10 melhores desenvolvedores da Federação Russa no phpClasses.org.
Módulo 1. Introdução ao Pytorch e tensores (4 ac. h.)
- Introdução ao curso
- Introdução às redes neurais
- O que é PyTorch?
- Por que usar tensores?
- Requerimentos técnicos
- Capacidades de nuvem
- O que são tensores
- Operações com tensores
- Workshop sobre o tema
Módulo 2. Classificação de imagens (4 ac. h.)
- Ferramentas para carregar e processar dados em PyTorch
- Criação de um conjunto de dados de treinamento
- Criação de conjunto de dados de validação e teste
- Rede neural como tensores
- Função de ativação
- Criação de rede
- Função de perda
- Otimização
- Workshop, implementação em GPU
Módulo 3. Redes neurais convolucionais (6 ac. h.)
- Construindo uma rede neural convolucional simples em PyTorch
- Combinação de camadas em uma rede (Pooling)
- Regularização de redes neurais (Dropout)
- Uso de redes neurais treinadas
- Estudo da estrutura da rede neural
- Normalização de lote (Batchnorm)
- Workshop sobre o tema
Módulo 4. Uso e transferência de modelos treinados (5 ac. h.)
- Usando ResNet
- Seleção por velocidade de aprendizagem
- Gradiente da taxa de aprendizagem
- Expansão de dados para reciclagem
- Usando conversores Torchvision
- Conversores de cores e lambda
- Conversores personalizados
- Conjuntos
- Workshop sobre o tema
Módulo 5. Classificação do texto (5 ac. h.)
- Redes neurais recorrentes
- Redes neurais com memória
- Biblioteca Torchtext