การแนะนำเบื้องต้นเกี่ยวกับ Self-Supervised Learning: การทำงานกับข้อมูลที่ไม่มีเลเบล

การติดเลเบลให้ชุดข้อมูลขนาดใหญ่เป็นหนึ่งในคอขวดที่แพงและใช้เวลามากที่สุดใน artificial intelligence สมัยใหม่ Self-supervised learning ช่วยแก้ปัญหานี้โดยช่วยให้โมเดล machine learning เรียนรู้ได้โดยตรงจากข้อมูลที่ไม่มีเลเบล ซึ่งเป็นการปลดล็อกพลังของข้อความ รูปภาพ และเสียงดิบ ในคอร์สเรียนรูปแบบข้อความนี้ คุณจะได้เปลี่ยนจากการพึ่งพาการใส่ข้อมูลกำกับด้วยมนุษย์ ไปสู่การเข้าใจว่าโมเดลสามารถสอนตัวเองได้อย่างไร คุณจะได้สำรวจวิธีการตั้งค่า pretext tasks, สกัดตัวแทนข้อมูล (representations) ที่มีความหมาย และเตรียมโมเดลสำหรับนำไปใช้งานในแอปพลิเคชันระดับดาวน์สตรีม สิ่งที่คุณจะได้เรียนรู้: - เข้าใจแนวคิดหลักของ self-supervised learning และความแตกต่างจากการเรียนรู้แบบ supervised และ unsupervised - ออกแบบ pretext tasks ที่มีประสิทธิภาพเพื่อช่วยให้โมเดลเรียนรู้โครงสร้างและบริบทจากข้อมูลดิบโดยไม่ต้องมีเลเบลจากมนุษย์ - สำรวจหลักการของ contrastive learning และวิธีที่โมเดลเรียนรู้ที่จะแยกแยะความเหมือนและความแตกต่างของจุดข้อมูล - เรียนรู้เกี่ยวกับสถาปัตยกรรมสมัยใหม่ รวมถึง masked autoencoders และวิธีการ generative pre-training - นำ self-supervised representations ไปประยุกต์ใช้เพื่อ fine-tune โมเดลสำหรับงานจำแนกประเภท (classification) และการถดถอย (regression) ในระดับดาวน์สตรีม - ประเมินคุณภาพของ representations ที่เรียนรู้มาโดยใช้เทคนิคการตรวจสอบมาตรฐาน คอร์สนี้เริ่มต้นด้วยคำนิยามพื้นฐานและคำศัพท์สำคัญ ก่อนที่จะนำคุณไปสู่กรอบความคิดของ pretext tasks, contrastive loss และรูปแบบสถาปัตยกรรมสมัยใหม่ คุณจะได้อ่านคำอธิบายโดยละเอียด วิเคราะห์เวิร์กโฟลว์ของสถาปัตยกรรม และศึกษาการใช้งานโค้ดเชิงแนวคิด คอร์สนี้ออกแบบมาสำหรับ data scientists มือใหม่, ผู้ที่สนใจ machine learning และนักพัฒนาที่ต้องการเข้าใจพรมแดนขั้นต่อไปของการฝึกอบรม AI โดยไม่จำเป็นต้องมีประสบการณ์มาก่อนในเวิร์กโฟลว์แบบ self-supervised เริ่มอ่านวันนี้เพื่อเชี่ยวชาญพื้นฐานการฝึกโมเดลด้วยข้อมูลที่ไม่มีเลเบล