Deep Learning for Telecom (with Python)

• Doświadczenie w programowaniu Python
• Ogólna znajomość koncepcji telekomunikacyjnych
• Podstawowa znajomość statystyki i pojęć matematycznych

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania.

Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.

Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla telekomunikacji przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe koncepcje głębokiego uczenia się.
• Poznać aplikacje i zastosowania głębokiego uczenia się w telekomunikacji.
• Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla telekomunikacji.
• Zbudować własny model przewidywania rezygnacji klientów z głębokiego uczenia się przy użyciu Python.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie

Podstawy sztucznej inteligencji i Machine Learning

Zrozumienie Deep Learning

• Przegląd podstawowych koncepcji Deep Learning
• Rozróżnienie między Machine Learning i Deep Learning
• Przegląd aplikacji dla Deep Learning

Przegląd Neural Networks

• Czym są Neural Networks
• Neural Networks a modele regresji
• Zrozumienie Mathematica l Podstawy i mechanizmy uczenia się
• Konstruowanie sztucznej sieci neuronowej
• Zrozumienie węzłów neuronowych i połączeń
• Praca z neuronami, warstwami oraz danymi wejściowymi i wyjściowymi
• Zrozumienie jednowarstwowych perceptronów
• Różnice między uczeniem nadzorowanym i nienadzorowanym
• Uczenie się z wyprzedzeniem i ze sprzężeniem zwrotnym Neural Networks
• Zrozumienie propagacji do przodu i propagacji wstecznej
• Zrozumienie długiej pamięci krótkotrwałej (LSTM)
• Eksploracja algorytmów rekurencyjnych Neural Networks w praktyce
• Eksploracja algorytmów konwolucyjnych Neural Networks w praktyce
• Ulepszanie sposobu uczenia się Neural Networks

Przegląd technik Deep Learning stosowanych w Telecom

• Neural Networks
• Przetwarzanie języka naturalnego
• Rozpoznawanie obrazów
• Speech Recognition
• Analiza nastrojów

Odkrywanie Deep Learning Studia przypadków dla Telecom

• Optymalizacja routingu i jakości usług dzięki analizie ruchu sieciowego w czasie rzeczywistym
• Przewidywanie awarii sieci i urządzeń, przestojów, skoków popytu itp.
• Analiza połączeń w czasie rzeczywistym w celu identyfikacji nieuczciwych zachowań
• Analiza zachowań klientów w celu określenia popytu na nowe produkty i usługi
• Przetwarzanie dużych ilości wiadomości SMS w celu uzyskania informacji
• Speech Recognition dla połączeń z pomocą techniczną
• Konfigurowanie sieci SDN i sieci zwirtualizowanych w czasie rzeczywistym

Zrozumienie korzyści płynących z Deep Learning dla Telecom

Badanie różnych bibliotek Deep Learning dla Python

• TensorFlow
• Keras

Konfiguracja Python z TensorFlow dla Deep Learning

• Instalowanie TensorFlow Python API
• Testowanie instalacji TensorFlow
• Konfigurowanie TensorFlow do programowania
• Trenowanie pierwszego TensorFlow modelu sieci neuronowej

Konfigurowanie Python z Keras dla Deep Learning

Tworzenie prostych Deep Learning modeli z Keras

• Tworzenie modelu Keras
• Zrozumienie danych
• Określanie modelu Deep Learning
• Kompilowanie modelu
• Dopasowywanie modelu
• Praca z danymi klasyfikacji
• Praca z modelami klasyfikacji
• Korzystanie z modeli

Praca z TensorFlow dla Deep Learning dla Telecom

• Przygotowanie danych
  • Pobieranie danych
  • Przygotowywanie danych szkoleniowych
  • Przygotowywanie danych testowych
  • Skalowanie danych wejściowych
  • Używanie symboli zastępczych i zmiennych
• Określanie architektury sieci
• Korzystanie z funkcji kosztu
• Korzystanie z optymalizatora
• Używanie inicjalizatorów
• Dopasowywanie sieci neuronowej
• Tworzenie grafu
  • Wnioskowanie
  • Strata
  • Trening
• Trenowanie modelu
  • Wykres
  • Sesja
  • Pętla treningowa
• Ocena modelu
  • Tworzenie wykresu oceny
  • Ocena na podstawie danych wyjściowych
• Trenowanie modeli na dużą skalę
• Wizualizacja i ocena modeli za pomocą TensorBoard

Ćwiczenia praktyczne: Tworzenie Deep Learning modelu przewidywania rezygnacji klientów przy użyciu Python

Rozszerzanie możliwości firmy

• Tworzenie modeli w chmurze
• Wykorzystanie GPU do przyspieszenia Deep Learning
• Zastosowanie Deep Learning Neural Networks do Computer Vision, rozpoznawania głosu i analizy tekstu

Podsumowanie i wnioski