ทฤษฎี Deep Learning และการปฏิบัติด้วย PyTorch

Deep learning กำลังขับเคลื่อนความก้าวหน้าทางเทคโนโลยีที่สำคัญที่สุดในยุคของเรา แต่การจะเชี่ยวชาญอย่างแท้จริงนั้นจำเป็นต้องเข้าใจทั้งคณิตศาสตร์เบื้องหลังและโค้ดที่ใช้งานได้จริง หลักสูตรนี้จะช่วยเชื่อมช่องว่างดังกล่าว โดยพาคุณไปตั้งแต่แนวคิดพื้นฐานจนถึงการสร้างและฝึกฝนโครงข่ายประสาทเทียมของคุณเอง คุณจะได้รับความเข้าใจเชิงลึกเกี่ยวกับวิธีการทำงานของ Deep learning แทนที่จะเป็นเพียงการคัดลอกและวางโค้ด ด้วยการอ่านคำอธิบายที่มีโครงสร้างและวิเคราะห์ตัวอย่างโค้ดที่ชัดเจน คุณจะเปลี่ยนจากผู้เริ่มต้นที่อยากรู้อยากเห็นไปสู่ผู้ปฏิบัติงานที่มีความมั่นใจ คุณจะเริ่มต้นด้วยพื้นฐานที่สำคัญที่สุดของ tensors และการเพิ่มประสิทธิภาพทางคณิตศาสตร์ ก่อนที่จะก้าวไปสู่สถาปัตยกรรมโครงข่ายประสาทเทียมสมัยใหม่ สิ่งที่คุณจะได้เรียนรู้: เข้าใจแนวคิดทางคณิตศาสตร์หลักของ Deep learning รวมถึง backpropagation, loss functions และ gradient descent; สร้างและฝึกฝนโครงข่ายประสาทเทียมโดยใช้ PyTorch tensors และ autograd; นำเทคนิค Deep learning สมัยใหม่มาใช้ เช่น สถาปัตยกรรมโมเดลแบบ type-hinted และท่อส่งข้อมูลที่สะอาด; กำหนดค่าโครงข่ายประสาทเทียมแบบคอนโวลูชันสำหรับการประมวลผลภาพและโครงสร้างแบบวนซ้ำสำหรับข้อมูลลำดับ; ใช้แนวปฏิบัติที่ดีที่สุดสำหรับการดีบั๊กโมเดล การป้องกัน overfitting และการตรวจสอบความคืบหน้าในการฝึกฝน หลักสูตรเริ่มต้นด้วยคำศัพท์ที่จำเป็นและทฤษฎีพื้นฐาน ก้าวไปทีละขั้นตอนผ่านการใช้งาน PyTorch และสรุปด้วยแนวปฏิบัติที่ดีที่สุดในปัจจุบันสำหรับการจัดโครงสร้างโค้ด Deep learning ที่สะอาดและดูแลรักษาได้ หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้น วิศวกรซอฟต์แวร์ และผู้ที่ชื่นชอบข้อมูลที่ต้องการความรู้เบื้องต้นเกี่ยวกับ Deep learning ที่มั่นคงและตรงไปตรงมาโดยไม่มีข้อกำหนดเบื้องต้นทางคณิตศาสตร์ที่ซับซ้อน เริ่มอ่านวันนี้และสร้างโครงข่ายประสาทเทียมแรกของคุณตั้งแต่เริ่มต้น