Deep Learning with TensorFlow in Google Colab

• Podstawowa wiedza o uczeniu maszynowym
• Doświadczenie w programowaniu Python

Grupa docelowa

• Naukowcy danych
• Programiści

Google Colab to otoczone w chmurze środowisko do tworzenia notatników Jupyter, które pozwala uruchamiać kod Python za darmo i jest szczególnie dobrze dopasowane do zadań związanych z uczeniem maszynowym i głębokim uczeniem się za pomocą bibliotek takich jak TensorFlow.

To szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do pośrednich naukowców ds. danych i deweloperów, którzy chcą zrozumieć i zastosować techniki głębokiego uczenia się w środowisku Google Colab.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Konfigurować i poruszać się po Google Colab dla projektów z zakresu głębokiego uczenia się.
• Zrozumieć podstawy sieci neuronowych.
• Implementować modele głębokiego uczenia się z użyciem TensorFlow.
• Trenować i oceniać modele głębokiego uczenia się.
• Korzystać z zaawansowanych funkcji TensorFlow do głębokiego uczenia się.

Format kursu

• Interaktywna wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Ręczne implementowanie w środowisku laboraotoryjnym w czasie rzeczywistym.

Opcje dostosowania kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, skontaktuj się z nami, aby umówić się.

Wprowadzenie do Google Colab dla Deep Learning

• Przegląd Google Colab
• Konfiguracja Google Colab
• Nawigacja w interfejsie Google Colab

Wprowadzenie do Deep Learning

• Przegląd uczenia głębokiego
• Znaczenie uczenia głębokiego
• Zastosowania uczenia głębokiego

Zrozumienie Neural Networks

• Wprowadzenie do sieci neuronowych
• Architektura sieci neuronowych
• Funkcje aktywacji i warstwy

Wprowadzenie do TensorFlow

• Przegląd TensorFlow
• Konfiguracja TensorFlow w Google Colab
• Podstawowe operacje TensorFlow

Budowanie modeli Deep Learning z użyciem TensorFlow

• Tworzenie modeli sieci neuronowych
• Trenowanie sieci neuronowych
• Ocena wydajności modelu

Zaawansowane techniki TensorFlow

• Wdrożenie sieci neuronowych konwolucyjnych (CNN)
• Wdrożenie sieci neuronowych rekurencyjnych (RNN)
• Przenoszenie uczenia z TensorFlow

Przetwarzanie danych dla Deep Learning

• Przygotowanie zestawów danych do treningu
• Techniki zwiększania zróżnicowania danych
• Obsługa dużych zestawów danych w Google Colab

Optymalizacja modeli Deep Learning

• Dostrajanie hiperparametrów
• Techniki regularyzacji
• Strategie optymalizacji modelu

Współpracowne projekty Deep Learning

• Dzielenie się i współpraca nad zeszytami
• Funkcje współpracy w czasie rzeczywistym
• Najlepsze praktyki dla wspólnych projektów

Wskazówki i najlepsze praktyki

• Skuteczne techniki uczenia głębokiego
• Unikanie typowych pułapek
• Poprawa wydajności modelu

Podsumowanie i następne kroki