Les réseaux de neurones. Vision et lecture par ordinateur (PNL). — tarif 31990 frotter. de Spécialiste, formation 24 heures académiques, date: 11 décembre 2023.
Miscellanea / / December 03, 2023
Les réseaux de neurones - une technologie moderne de traitement de contenu fermement établie. Aujourd'hui, de nombreuses sociétés informatiques utilisent cette technologie pour créer des robots informatiques et des chatbots. Les plus célèbres d'entre eux Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) ont été créés grâce à cette technologie.
Ce cours examinera un certain nombre de réseaux de neurones implémentés en Python à l'aide de la bibliothèque Tensorflow, à savoir PyTorch, développée en 2017. Ces algorithmes constituent la base de la résolution de problèmes de vision par ordinateur et de lecture, mais ne l'épuisent pas, car ce domaine se développe et s'améliore constamment.
- interagir avec les tenseurs en Python
- se familiariser avec les bases de PyTorch
- approfondir vos connaissances de Python
- se familiariser avec le traitement d'images utilisant les réseaux de neurones et Python
- se familiariser avec le traitement de la parole et du texte
Professeur de cours Python pour l'apprentissage automatique. Vladimir Gennadievich est un praticien expérimenté, candidat en sciences physiques et mathématiques et chercheur actif.
Dans son travail, il utilise des méthodes d'apprentissage automatique et d'automatisation de la collecte de données à l'aide des langages de programmation Python, R, C++, Verilog.
Vladimir Gennadievich est membre de la communauté de chercheurs Research Gate et surveille en permanence la manière dont la programmation est utilisée dans la science et les développements modernes. Il partage avec ses auditeurs son savoir-faire et ses techniques actuelles qui contribueront à rendre leurs projets meilleurs et de classe mondiale.
Vladimir Gennadievich a publié 56 articles dans des publications telles que Physical Review B, Physica E, « Journal of Experimental and Theoretical Physics », « Physics and Technology of Semiconductors ». Vladimir Gennadievich participe non seulement au développement de la science et partage ses réalisations avec ses collègues, mais les utilise également avec succès dans la pratique :
Vladimir Gennadievich, en tant qu'enseignant-scientifique, donne la priorité au développement et à l'application des nouvelles technologies. Dans l'apprentissage, y compris le machine learning, l'essentiel pour lui est de pénétrer dans l'essence des phénomènes, d'en comprendre tous les processus, et non de mémoriser les règles, le code ou la syntaxe des moyens techniques. Son credo est la pratique et l'immersion profonde dans le travail !
Professeur pratique avec 25 ans d'expérience dans le domaine des technologies de l'information. Expert en développement Full-Stack de systèmes web utilisant (MySQL, PHP/Python, nginx, HTML5), analyse et visualisation de données utilisant Python (Pandas, SKLearn, Keras), développement...
Professeur pratique avec 25 ans d'expérience dans le domaine des technologies de l'information. Expert en développement Full-Stack de systèmes web utilisant (MySQL, PHP/Python, nginx, HTML5), analyse et visualisation de données à l'aide de Python (Pandas, SKLearn, Keras), développement d'interfaces d'échange de données entre systèmes utilisant les technologies REST, SOAP, EDIFACT, administrer les serveurs web sur Debian GNU Linux (php/nginx/mariadb), créer la documentation technique et utilisateur (en russe et langues anglaises).
Je suis passé de développeur hiérarchique à directeur informatique de ma propre entreprise. En 25 ans, il a créé une vingtaine de systèmes d'information/bases de données d'entreprise, plus de 50 prototypes, 30 sites Internet de tailles et de contenus variés. A travaillé sur de grands projets pour des entreprises telles que Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Depuis 5 ans, il fait partie du TOP 10 des développeurs de la Fédération de Russie sur phpClasses.org.
Module 1. Introduction à Pytorch et aux tenseurs (4 ac. h.)
- Introduction au cours
- Introduction aux réseaux de neurones
- Qu'est-ce que PyTorch ?
- Pourquoi utiliser des tenseurs ?
- Les pré-requis techniques
- Capacités cloud
- Que sont les tenseurs
- Opérations avec des tenseurs
- Atelier sur le sujet
Module 2. Classification des images (4 ac. h.)
- Outils de chargement et de traitement des données dans PyTorch
- Création d'un ensemble de données d'entraînement
- Création d'un jeu de données de validation et de tests
- Réseau de neurones comme tenseurs
- Fonction d'activation
- Création de réseau
- Fonction de perte
- Optimisation
- Workshop, implémentation sur GPU
Module 3. Réseaux de neurones convolutifs (6 ac. h.)
- Construire un réseau neuronal convolutif simple dans PyTorch
- Combinaison de couches dans un réseau (Pooling)
- Régularisation du réseau neuronal (Dropout)
- Utilisation de réseaux de neurones entraînés
- Etude de la structure du réseau de neurones
- Normalisation des lots (Batchnorm)
- Atelier sur le sujet
Module 4. Utilisation et transfert de modèles formés (5 ac. h.)
- Utilisation de ResNet
- Sélection par vitesse d'apprentissage
- Dégradé de taux d'apprentissage
- Expansion des données pour le recyclage
- Utilisation des convertisseurs Torchvision
- Convertisseurs de couleurs et lambda
- Convertisseurs personnalisés
- Ensembles
- Atelier sur le sujet
Module 5. Classification des textes (5 ac. h.)
- Réseaux de neurones récurrents
- Réseaux de neurones avec mémoire
- Bibliothèque de textes de torche