Reti neurali. Visione artificiale e lettura (PNL). — tariffa 31990 rub. da Specialista, formazione 24 ore accademiche, data: 11 dicembre 2023.
Miscellanea / / December 03, 2023
Reti neurali - tecnologia moderna di elaborazione dei contenuti saldamente consolidata. Oggi, molte aziende IT utilizzano questa tecnologia per creare robot informatici e chatbot. I più famosi Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) sono stati creati utilizzando questa tecnologia.
Questo corso esaminerà una serie di reti neurali implementate in Python utilizzando la libreria Tensorflow, ovvero PyTorch, sviluppata nel 2017. Questi algoritmi costituiscono la base per risolvere i problemi di visione artificiale e lettura, ma non la esauriscono, poiché quest'area è in costante sviluppo e miglioramento.
- interagire con tensori in Python
- conoscere le basi di PyTorch
- approfondire la conoscenza di Python
- familiarizzare con l'elaborazione delle immagini utilizzando reti neurali e Python
- acquisire familiarità con l'elaborazione del parlato e del testo
Docente di corsi Python per il machine learning. Vladimir Gennadievich è un professionista esperto, candidato alle scienze fisiche e matematiche e ricercatore attivo.
Nel suo lavoro utilizza metodi di machine learning e automazione della raccolta dati utilizzando i linguaggi di programmazione Python, R, C++, Verilog.
Vladimir Gennadievich è un membro della comunità di ricercatori Research Gate e monitora costantemente il modo in cui la programmazione viene utilizzata nella scienza e negli sviluppi moderni. Condivide con i suoi ascoltatori il know-how e le tecniche attuali che aiuteranno a rendere i loro progetti migliori e di livello mondiale.
Vladimir Gennadievich ha pubblicato 56 articoli in pubblicazioni come Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich non solo partecipa allo sviluppo della scienza e condivide i suoi risultati con i colleghi, ma li usa anche con successo nella pratica:
Vladimir Gennadievich, in qualità di insegnante-scienziato, mette al primo posto lo sviluppo e l'applicazione delle nuove tecnologie. Nell'apprendimento, compreso l'apprendimento automatico, la cosa principale per lui è penetrare nell'essenza dei fenomeni, comprendere tutti i processi e non memorizzare le regole, il codice o la sintassi dei mezzi tecnici. Il suo credo è la pratica e la profonda immersione nel lavoro!
Insegnante pratico con 25 anni di esperienza nel campo dell'informatica. Esperto in sviluppo Full-Stack di sistemi web tramite (MySQL, PHP/Python, nginx, HTML5), analisi e visualizzazione dati tramite Python (Pandas, SKLearn, Keras), sviluppo...
Insegnante pratico con 25 anni di esperienza nel campo dell'informatica. Esperto in sviluppo Full-Stack di sistemi web utilizzando (MySQL, PHP/Python, nginx, HTML5), analisi e visualizzazione dati tramite Python (Pandas, SKLearn, Keras), sviluppo di interfacce di scambio dati tra sistemi utilizzando tecnologie REST, SOAP, EDIFACT, amministrare server web su Debian GNU Linux (php/nginx/mariadb), creare documentazione tecnica e utente (in russo e lingue inglesi).
Sono passato da sviluppatore di linea a direttore IT della mia azienda. In 25 anni ha realizzato circa 20 sistemi informativi/database aziendali, più di 50 prototipi, 30 siti web di varie dimensioni e contenuti. Ha lavorato su grandi progetti per aziende come Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Da 5 anni è tra i TOP 10 sviluppatori della Federazione Russa su phpClasses.org.
Modulo 1. Introduzione a Pytorch e ai tensori (4 ac. H.)
- Introduzione al corso
- Introduzione alle reti neurali
- Cos'è PyTorch?
- Perché usare i tensori?
- Requisiti tecnici
- Funzionalità del cloud
- Cosa sono i tensori
- Operazioni con tensori
- Workshop sul tema
Modulo 2. Classificazione delle immagini (4 ac. H.)
- Strumenti per caricare ed elaborare i dati in PyTorch
- Creazione di un set di dati di addestramento
- Creazione di set di dati di validazione e test
- Reti neurali come tensori
- Funzione di attivazione
- Creazione di reti
- Funzione di perdita
- Ottimizzazione
- Workshop, implementazione su GPU
Modulo 3. Reti neurali convoluzionali (6 ac. H.)
- Costruire una semplice rete neurale convoluzionale in PyTorch
- Combinazione di livelli in una rete (Pooling)
- Regolarizzazione della rete neurale (Dropout)
- Utilizzo di reti neurali addestrate
- Studio della struttura della rete neurale
- Normalizzazione batch (Batchnorm)
- Workshop sul tema
Modulo 4. Utilizzo e trasferimento di modelli addestrati (5 ac. H.)
- Utilizzando ResNet
- Selezione per velocità di apprendimento
- Gradiente del tasso di apprendimento
- Espansione dei dati per la riqualificazione
- Utilizzo dei convertitori Torchvision
- Convertitori colore e lambda
- Convertitori personalizzati
- Ensemble
- Workshop sul tema
Modulo 5. Classificazione del testo (5 ac. H.)
- Reti neurali ricorrenti
- Reti neurali con memoria
- Libreria Torchtext