Podstawy Deep Learning

Dlaczego warto

Jeśli chcesz poznać świat Deep Learning i metody budowania sztucznych oraz głębokich sieci neuronowych, to szkolenie jest dla Ciebie. Nauczysz się implementować podstawowe modele Deep Learning za pomocą ram Caffe i zdobędziesz wiedzę, która pozwoli Ci na praktyczne zastosowanie tych metod w analizie obrazu i dźwięku. Będziesz w stanie odróżnić metody Deep Learning od innych typowych metod SI, a także zrozumiesz podstawowe pojęcia i algorytmy.

Czego się nauczysz

• Poznasz typowe metody Deep Learning.
• Odróżnisz metody Deep Learning od innych typowych metod SI.
• Nauczysz się implementować podstawowe modele Deep Learning za pomocą ram Caffe.
• Zdobędziesz wiedzę na temat praktycznych zastosowań związanych z analizą obrazu i dźwięku.
• Poznasz podstawowe pojęcia i metody w zakresie Deep Learning.
• Będziesz w stanie budować sztuczne i głębokie sieci neuronowe.

Certyfikat i egzamin

Po ukończeniu szkolenia otrzymasz imienny certyfikat potwierdzający zdobyte umiejętności w zakresie Deep Learning. Nie ma egzaminu końcowego – wystarczy aktywne uczestnictwo w zajęciach.

Dla kogo

Ten kurs jest przeznaczony dla osób, które chcą korzystać z metod Deep Learning lub zyskać zrozumienie ich podstaw, z naciskiem na praktyczne zastosowanie metod typowych dla obszaru rozpoznawania obrazów i analizy danych dźwiękowych.

Zakres szkolenia

• Wprowadzenie do sztucznych sieci neuronowych (Atrificial Neural Nets)
  • Uczenie maszynowe,
  • Koncepcja sztucznej sieci neuronowej (ANN),
  • Budulce i architektura ANN,
  • Formuła matematyczna ANN,
  • Algorytmy uczenia dla ANN,
  • Pojęcie nadmiernego dopasowania,
  • Teoria Vapnika i Chervonenkisa – ryzyko empiryczne i strukturalne,
  • Wdrożenie ANN.
• Wprowadzenie do głębokich sieci neuronowych
  • Płytkie uczenie, inżynieria cech, Deep Learning,
  • Podstawowe koncepcje procesu Deep Learning,
  • Konwolucyjne sieci neuronowe,
  • Sploty, filtry i zasada poolingu,
  • Architektura głębokich sieci neuronowych,
  • Skierowane i rekurencyjne sieci neuronowe,
  • Lokalne konwolucyjne sieci neuronowe do analizy obrazu,
  • Ukryty model Markova do analizy mowy,
  • Sieć długiej pamięci krótkotrwałej (LSTM),
  • Konwolucyjna sieć rekurencyjna pamięci długotrwałej (LRCN),
  • Głębokie autokodery odszumiające,
  • Sieci głębokich przekonań, głęboka maszyna Boltzmanna,
  • Zbiory danych do rozpoznawania obrazów,
  • Zbiory danych do analizy dźwięku i głosu.
• Wprowadzenie do ram Caffe i jego zastosowań
  • Praca z Caffe,
  • Wdrożenie głębokiej sieci neuronowej,
  • Trening sieci,
  • Dostosowanie sieci,
  • Korzystanie z poznanych modeli,
  • Paralelyzacja,
  • Studium przypadku – przetwarzanie obrazu,
  • Studium przypadku – analiza dźwięku/głos.