Deep Learning w języku Python - Konwolucyjne Sieci Neuronowe
What you'll learn
- zrozumienie intuicji stojącej za sztucznymi sieciami neuronowymi
- zrozumienie intuicji stojącej za konwolucyjnymi sieciami neuronowymi
- elementy składowe sztucznych sieci neuronowych (ANN)
- elementy składowe konwolucyjnych sieci neuronowych (CNN)
- implementacja sieci neuronowej od zera (python)
- budowa sztucznych sieci neuronowych w Keras i TensorFlow
- klasyfikacja obrazów przy pomocy sieci ANN i CNN
- dogłębna analiza działania sieci CNN
- case study I: klasyfikacja obrazów - pies czy kot?
- case study II: klasyfikacja obrazów - dron, samolot pasażerski czy helikopter?
Requirements
- ukończone kursy ze ścieżki Python Developer na tym koncie instruktorskim
- ukończone kursy ze ścieżki Data Scientist na tym koncie instruktorskim
- podstawowa znajomość języka Python
- podstawowa wiedza matematyczna, w tym algebry liniowej, rachunku różniczkowego i statystyki
Description
Kurs "Deep Learning w języku Python - Konwolucyjne Sieci Neuronowe" to rozbudowany program edukacyjny dla osób, które chcą pogłębić swoją wiedzę w dziedzinie głębokiego uczenia. Program kursu skupia się na konwolucyjnych sieciach neuronowych (CNN), jednym z najważniejszych i najbardziej użytecznych modeli w głębokim uczeniu, często wykorzystywanym w analizie obrazów i wizji komputerowej (computer vision).
Kurs zaczyna się od wprowadzenia do matematycznych podstaw głębokiego uczenia. Kolejne moduły stopniowo wprowadzają uczestników w różne aspekty CNN, począwszy od podstawowych konceptów, takich jak warstwy konwolucyjne, pooling i funkcje aktywacji, po bardziej zaawansowane tematy, takie jak transfer learning, augmentacja danych i regularyzacja. Na kursie wykorzystane są biblioteki takie jak TensorFlow i Keras, które są kluczowe dla tworzenia modeli CNN.
Dalej, uczestnicy nauczą się, jak budować i trenować różne sieci CNN. Każdy z tych modeli zostanie szczegółowo omówiony, a uczestnicy będą mieli możliwość zbudowania i przetestowania każdego z nich na rzeczywistych zestawach danych. W ostatnich modułach kursu uczestnicy będą mieli okazję pracować nad własnymi projektami końcowymi, które pozwolą na praktyczne zastosowanie zdobytej wiedzy.
Kurs "Deep Learning w języku Python - Konwolucyjne Sieci Neuronowe" jest niezwykle wartościowym źródłem wiedzy dla osób zainteresowanych zaawansowaną analizą obrazów i wizją komputerową. Uczestnicy zyskają nie tylko solidne teoretyczne podstawy CNN, ale także praktyczne umiejętności, które będą mogli zastosować w swojej przyszłej pracy czy badaniach.
Zwiększ moc swojego uczenia maszynowego dzięki TensorFlow: Uwolnij potencjał danych!
TensorFlow to otwarta biblioteka do uczenia maszynowego i głębokiego uczenia. Została opracowana przez zespół badawczy Google Brain i została udostępniona publicznie w 2015 roku. TensorFlow umożliwia budowę i trenowanie modeli uczenia maszynowego, zarówno w ramach tradycyjnych zastosowań, jak i w obszarze głębokiego uczenia.
Biblioteka TensorFlow jest wysoce elastyczna i obsługuje różne rodzaje modeli uczenia maszynowego, takie jak modele regresji, klasyfikacji, segmentacji obrazu, analizy języka naturalnego i wiele innych. Umożliwia tworzenie i trenowanie modeli o różnych rozmiarach i skomplikowaniu, z możliwością wykorzystania zarówno pojedynczych maszyn, jak i rozproszonych systemów obliczeniowych.
Podstawowym elementem w TensorFlow są tensory, które są wielowymiarowymi tablicami danych. Modele są tworzone w formie grafów obliczeniowych, w których tensory przepływają między różnymi operacjami matematycznymi. TensorFlow automatycznie zarządza obliczeniami na różnych urządzeniach, takich jak CPU i GPU, co umożliwia efektywne wykorzystanie zasobów obliczeniowych.
Biblioteka oferuje również narzędzia do wizualizacji i monitorowania procesu uczenia, dzięki czemu można analizować i interpretować wyniki eksperymentów. TensorFlow obsługuje wiele języków programowania, takich jak Python, C++, Java, Go i inne, co pozwala na łatwe integrowanie z istniejącymi systemami i infrastrukturą.
TensorFlow jest szeroko stosowany w różnych dziedzinach, takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego, analiza danych, robotyka i wiele innych. Dzięki swojej popularności i wsparciu społeczności, TensorFlow jest jednym z wiodących narzędzi do uczenia maszynowego i głębokiego uczenia.
Twórz, trenuj i zaimplementuj modele z łatwością dzięki Keras: Potęga uczenia maszynowego w Twoich rękach!
Keras to popularna i wysoce elastyczna biblioteka do budowy, trenowania i wdrażania modeli uczenia maszynowego. Została stworzona jako interfejs wysokiego poziomu dla bibliotek głębokiego uczenia, umożliwiając szybkie i intuicyjne tworzenie modeli.
Jednym z kluczowych atutów biblioteki Keras jest jej prostota i przejrzystość. Dzięki czytelnemu interfejsowi API, łatwo jest tworzyć modele, definiować warstwy, określać funkcje aktywacji i optymalizatory. Keras zapewnia również wiele gotowych warstw i modułów, które można łatwo łączyć, co znacznie przyspiesza proces projektowania i implementacji modeli.
Keras działa na wielu popularnych silnikach uczenia maszynowego, w tym na TensorFlow, Theano i CNTK, co zapewnia elastyczność i możliwość dostosowania do różnych środowisk i platform. Dzięki temu Keras jest jednym z najpopularniejszych narzędzi do głębokiego uczenia, znajdującym zastosowanie w dziedzinach takich jak rozpoznawanie obrazów, analiza języka naturalnego, przetwarzanie dźwięku i wiele innych.
Biblioteka Keras została zaprojektowana z myślą o prostocie użytkowania, jednocześnie zachowując pełną kontrolę nad budową i treningiem modeli. Dzięki temu, zarówno początkujący, jak i zaawansowani pracownicy naukowi mogą z powodzeniem korzystać z Keras do rozwiązywania różnorodnych problemów z zakresu uczenia maszynowego.
W 2019 roku Keras został oficjalnie włączony do biblioteki TensorFlow jako interfejs wysokiego poziomu, co oznacza, że jest w pełni zintegrowany z ekosystemem TensorFlow, a jednocześnie zachowuje swoją unikalną filozofię prostoty i elastyczności.
Who this course is for:
- programiści zainteresowani pogłębieniem swojej wiedzy na temat sieci neuronowych i głębokiego uczenia
- studenci lub absolwenci kierunków związanych z informatyką, sztuczną inteligencją, uczeniem maszynowym lub pokrewnymi dziedzinami
- badacze lub naukowcy zajmujący się tematyką przetwarzania obrazów, analizy danych wizualnych lub rozpoznawania wzorców
- inżynierowie oprogramowania, którzy chcą zdobyć umiejętności w zakresie implementacji konwolucyjnych sieci neuronowych w praktyce
- specjaliści ds. danych lub analitycy, którzy chcą rozszerzyć swoje umiejętności w zakresie analizy obrazów i ekstrakcji cech
- osoby zainteresowane sztuczną inteligencją, uczeniem maszynowym i aplikacjami wizualnymi
Instructor
EN
Python Developer/AI Enthusiast/Data Scientist/Stockbroker
Enthusiast of new technologies, particularly in the areas of artificial intelligence, the Python language, big data and cloud solutions. Graduate of postgraduate studies at the Polish-Japanese Academy of Information Technology in the field of Computer Science and Big Data specialization. Master's degree graduate in Financial and Actuarial Mathematics at the Faculty of Mathematics and Computer Science at the University of Lodz. Former PhD student at the faculty of mathematics. Since 2015, a licensed Securities Broker with the right to provide investment advisory services (license number 3073). Lecturer at the GPW Foundation, conducting training for investors in the field of technical analysis, behavioral finance, and principles of managing a portfolio of financial instruments.
Founder at e-smartdata
PL
Data Scientist, Securities Broker
Jestem miłośnikiem nowych technologii, szczególnie w obszarze sztucznej inteligencji, języka Python big data oraz rozwiązań chmurowych. Posiadam stopień absolwenta podyplomowych studiów na kierunku Informatyka, specjalizacja Big Data w Polsko-Japońskiej Akademii Technik Komputerowych oraz magistra z Matematyki Finansowej i Aktuarialnej na wydziale Matematyki i Informatyki Uniwersytetu Łódzkiego. Od 2015 roku posiadam licencję Maklera Papierów Wartościowych z uprawnieniami do czynności doradztwa inwestycyjnego (nr 3073). Jestem również wykładowcą w Fundacji GPW prowadzącym szkolenia dla inwestorów z zakresu analizy technicznej, finansów behawioralnych i zasad zarządzania portfelem instrumentów finansowych. Mam doświadczenie w prowadzeniu zajęć dydaktycznych na wyższej uczelni z przedmiotów związanych z rachunkiem prawdopodobieństwa i statystyką. Moje główne obszary zainteresowań to język Python, sztuczna inteligencja, web development oraz rynki finansowe.
Założyciel platformy e-smartdata
IG: e_smartdata