Компании во всем мире используют ИИ для решения самых сложных задач. Специалистам в области здравоохранения ИИ позволяет быстрее ставить более точные диагнозы пациентам. С его помощью розничные компании могут персонализировать работу с покупателями. Автопроизводители используют ИИ, чтобы сделать личные автомобили, каршеринг и службы доставки более эффективными и безопасными. Глубокое обучение — это высокоэффективный подход к внедрению ИИ, использующий многослойные нейронные сети, чтобы обеспечивать максимальную точность в таких задачах, как обнаружение объектов, распознавание речи и перевод языков. Используя алгоритмы глубокого обучения, компьютеры могут изучать и находить закономерности в данных, которые считаются слишком сложными или запутанными для написанного специалистами программного обеспечения.

На этом практикуме вы узнаете, как работают алгоритмы глубокого обучения на практических примерах компьютерного зрения и обработки естественного языка. Вам предстоит с нуля натренировать модели глубокого обучения, познакомиться с инструментами и методами для получения максимально точных результатов. Вы также научитесь использовать современные предварительно обученные модели в открытом доступе для экономии времени и создадите свое приложение на базе алгоритмов глубокого обучения.

 

Цели обучения


На этом практикуме вам предстоит:
  • Применять на практике фундаментальные методы и инструменты, необходимые для тренировки модели глубокого обучения
  • Получить опыт работы с распространенными типами данных глубокого обучения и архитектурами моделей
  • Расширять наборы данных с помощью аугментации данных для повышения точности модели
  • Использовать перенос обучения между моделями, чтобы достичь отличных результатов с меньшим объемом данных и вычислений
  • Обрести уверенность для создания собственного проекта с современным фреймворком глубокого обучения

Скачать описание практикума (PDF, 318 KБ)

Краткое описание практикума

Введение
(15 мин)
  • Знакомство с инструктором
  • Создание аккаунта на courses.nvidia.com/join
Механика глубокого обучения
(120 мин)

    Изучите фундаментальную механику и инструменты, для успешного обучения глубоких нейронных сетей:

  • Обучите свою первую модель компьютерного зрения, чтобы познакомиться с процессом тренировки.
  • Внедрите сверточные нейронные сети для повышения точности прогнозирования в приложениях в области зрения
  • Примените аугментацию данных для совершенствования набора данных и обобщения моделей
Перерыв (60 мин)
Предварительно обученные модели и рекуррентные нейронные сети
(120 мин)

    Используйте предварительно обученные модели для быстрого решения задач глубокого обучения Тренируйте рекуррентные нейронные сети на последовательных данных:

  • Интегрируйте предварительно обученные модели классификации изображений для создания автоматической двери для собак
  • Используйте перенос обучения, чтобы создать дверь, которая открывается только для вашей собаки
  • Обучайте модели автозавершению текста на основе заголовков New York Times
Перерыв (15 мин)
Заключительный проект: классификация объектов
(120 мин)

    Примените компьютерное зрение, чтобы создать модель, которая отличает свежие и гнилые фрукты:

  • Создайте и обучите модель, которая интерпретирует цветные изображения
  • Постройте генератор данных для извлечения максимума информации из маленьких наборов данных
  • Улучшите скорость обучения, сочетая transfer learning и извлечение признаков
  • Обсудите передовые архитектуры нейронных сетей и последние области исследований, в которых студенты могут совершенствовать свои навыки
Окончательный анализ
(15 мин)
  • Еще раз ознакомьтесь с основными выводами и ответьте на вопросы
  • Завершите тестирование и получите сертификат
  • Пройдите опрос
  • Узнайте, как настроить собственную среду для разработки приложений ИИ.
 

Информация о практикуме

Продолжительность: 8 часов

Цена: для уточнения стоимости свяжитесь с нами.

Обязательные требования: знание основных понятий программирования на Python, таких как функции, циклы, словари и массивы.

Предлагаемые материалы для подготовки к участию в тренинге: курс Codecademy по Python

Технологии: Tensorflow, Keras, pandas, NumPy

Метод контроля: Тестирования проводятся на основе навыков, полученных во время практикума, и оценивают способность студентов к тренировке модели глубокого обучения с высокой точностью.

Сертификат: После успешного завершения тестирования участники получат сертификат NVIDIA DLI для подтверждения своей квалификации и дальнейшего карьерного роста.

Аппаратные требования: ПК или ноутбук с поддержкой последней версии Chrome или Firefox. Каждому участнику будет предоставлен доступ к полностью настроенному облачному серверу с ускорением на GPU.

Языки: английский, упрощенный китайский, японский

Продолжите обучение с другими практикумами от DLI

У вас возникли вопросы?