PyTorch dla Deep Learning: praktyczne rozwiązania dla sieci neuronowych

Głębokie uczenie napędza najbardziej zaawansowane na świecie systemy sztucznej inteligencji, od wizji komputerowej po przetwarzanie języka naturalnego.PyTorch stał się standardową platformą dla badaczy i programistów do projektowania i trenowania tych sieci neuronowych. W tym kursie przejdziesz od programisty Pythona do kogoś, kto jest w stanie projektować, trenować i oceniać modele głębokiego uczenia się.Będziesz czytać jasne wyjaśnienia, analizować fragmenty kodu i pracować przez pisemne ćwiczenia mające na celu zbudowanie zaufania do przepływów pracy uczenia maszynowego. Czego się nauczysz: - Zrozum podstawowe operacje matematyczne i tensorowe, które tworzą bloki konstrukcyjne PyTorch. - Buduj sieci neuronowe od podstaw za pomocą podstawowych modułów i warstw sekwencyjnych PyTorch. - Trenuj modele do zadań klasyfikacji i regresji za pomocą funkcji strat i optymalizatorów. - Zastosuj techniki widzenia komputerowego do przetwarzania obrazów i budowania zwojowych sieci neuronowych (CNN). - Wdrażaj uczenie transferowe za pomocą nowoczesnych, wstępnie wyszkolonych architektur, aby rozwiązywać złożone problemy przy mniejszej ilości danych. - Zoptymalizuj i przygotuj modele do wdrożenia produkcyjnego przy użyciu aktualnych funkcji wydajności PyTorch i najlepszych praktyk oszczędzania modeli. Zaczniesz od podstawowych koncepcji głębokiego uczenia się i manipulacji tensorów, zanim przejdziesz krok po kroku przez potoki danych, architektury sieci neuronowych i zaawansowane techniki optymalizacji.Program nauczania jest skonstruowany tak, aby prowadzić Cię sekwencyjnie od podstawowej składni do praktycznych, rzeczywistych przepływów pracy. Ten kurs jest przeznaczony dla początkujących, którzy mają podstawową wiedzę na temat programowania Pythona i chcą wejść w dziedzinę głębokiego uczenia się.Nie jest wymagane wcześniejsze uczenie maszynowe ani zaawansowane doświadczenie matematyczne. Rozpocznij swoją podróż do sztucznej inteligencji już dziś, opanowując PyTorch.