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.