Data ScienceR

Deep Learning z R

27 - 28 maj 2024

Online

2 600,00 zł netto / osobę
Nie pasuje Ci żaden termin? Napisz do nas!
Zapisz więcej osób

Taniej w grupie

  • 3 osoby - 10% zniżki
  • 4 osoby - 15% zniżki
  • 5 osób - 20% zniżki
  • 6 osób - 25% zniżki
  • 7 osób - 30% zniżki
  • O szkoleniu

    Celem szkolenia Deep Learning z R jest wprowadzenie do zaawansowanych sieci typu deep z wykorzystaniem środowiska R. Materiał szkoleniowy skupiony jest na zrozumieniu działania i ideii sieci deep i zastosowaniu ich w praktycznym rozwiązywaniu problemów uczenia z danych w R. Poprzez praktyczne przykłady i ćwiczenia w R nauczysz się poprawnie budować sieci oraz je tuningować do danego problemu.

    Siłą napędową metod typu deep learning jest ich zdolność do predykcji i klasyfikacji złożonych, najczęściej nieliniowych problemów czyli takich jakie najczęściej spotkamy w praktyce. Microsoft, Google, IBM, Twitter, Paypal i Facebook i inne duże firmy już dawno dostrzegły potencjał drzemiący w deep learning i wykorzystują go do oferowania jeszcze lepszych produktów i usług dla swoich klientów. Udział w tym szkoleniu pozwoli Ci dołączyć do elitarnego grona Data Scientist wykorzystujących w pełni dostępne technologie do rozwiązywania problemów biznesowych.

    Dla kogo jest to szkolenie?

    Metody Deep Learning  znalazły zastosowanie komercyjne w  wielu branżach od medycznej do marketingu.  Jeżeli zajmujesz się analizą danych i wykorzystujesz metody maszynowego uczenia do rozwiązywania problemów prognozowania, klasyfikacji, wykrywania anomalii i nie tylko to deep learning jest kolejnym krokiem na twojej ścieżce rozwoju. Analitycy danych, Data Scientist czy badacze chcący poszerzyć warsztat narzędziowy i poprawić wyniki z budowanych modeli powinni zainteresować się sieciami typu deep.

    Czego się nauczę?

    Po ukończeniu szkolenia:

    • Przypomnisz sobie najważniejsze elementy maszynowego uczenia które będą pomocne przy zrozumienie deep learning
    • Poznasz idee deep learning i zrozumiesz czym te sieci różnią się od zwykłych sieci neuronowych
    • Zrozumiesz architekturę sieci deep i najważniejsze komponenty i składowe które odgrywają dużą rolę w ich wykorzystaniu do analizy danych
    • Poznasz najważniejsze architektury sieci deep do rozwiązania problemów takich jak prognozowanie, rozpoznawanie obrazów, klasyfikacja, wykrywanie anomalii
    • Nauczysz się budować i tuningować sieci deep z wykorzystaniem szeregu pakietów R i intefejsem R do zewnętrznych środowisk
    • Zobaczysz różne zastosowania sieci deep na licznych przykładach i w trakcie ćwiczeń w R
    • Jak uczą się maszyny?
    • Czym jest Deep learning
    • Podstawowe problemy ML – prognozowanie, klasyfikacja, segmentacja, wykrywanie anomalii
    • Uczenie i walidacja modeli ML
    • Od regresji logistycznej do sieci neuronowej
    • Inspiracje do powstania sieci neuronowych
    • Sieci neuronowe – od neurona przez perceptron do MLP(Multilayer Perceptron model)
    • Uczenie sieci MLP – algorytm backpropagation
    • Funkcje aktywujące – liniowa, sigmoidalna, Tanh, Softmax
    • Funkcje straty dla problemów regressji, klasyfikacji
    • Parametry – learning rate, regularyzacja, momentum
    • Przykłady zastosowań praktycznych sieci neuronowych
    • Czym jest deep learning
    • Architektura sieci deep – parametry, warstwy, funkcje aktywujące, funkcje straty, algorytmy optymalizacji
    • Restricted Boltzman Machines (RBMs)
    • Autoencoders
    • Deep Belief Networks(DBN) – architektura, zastosowanie
    • Autoencoders
    • Restricted Boltzmann Machines
    • Convolutional Neural Network- architektura, zastosowanie
    • Recursive Neural Network- architektura, zastosowanie
    • Recurrent Neural Network- architektura, zastosowanie
    • Sieci neuronowe MLP- nnet, neuralnet
    • Pakiety do Deep Learning – deepnet, darch, rnn, autoencoder
    • Interfejsy do Tensorflow, keras, h20
    • Dobór właściwego rodzaju sieci deep do problemu, rodzaje danych i odpowiednie sieci
    • Tworzenie hybryd z sieci
    • Uczenie sieci – wybór odpowiedniej architektury do problemu, dobór pakietu w R, definiowanie modelu, parametrów i optymalizacja
    • Tuningowanie sieci deep – dopasowywanie architektury sieci do danch, inicjalizacja, dobór funkcji aktywujących, funkcje straty, learning rate, metody optymalizacji
    • Przeciwdziałanie przeuczeniu – wykrywanie problemów z siecią, regularyzacja, niezbilansowane problemy
    • Rozpoznawanie obrazów emocji CNN
    • Wykrywanie anomalii z pomocą Autoencoders
    • Prognozowanie szeregów czasowych z RNN
    • Redukcja wymiaru z Autoencoder
    • Klasyfikacja z RBM