
Deep Learning z R
Szkolenia otwarte
2300 PLN
Szkolenia zamknięte
Cena ustalana indywidualnie
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?
- 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
Plan szkolenia
- Wprowadzenie
- 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
- Podstawy sieci neuronowych
- 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
- Podstawy sieci deep
- Czym jest deep learning
- Architektura sieci deep – parametry, warstwy, funkcje aktywujące, funkcje straty, algorytmy optymalizacji
- Restricted Boltzman Machines (RBMs)
- Autoencoders
- Najważniejsze architektury sieci deep
- 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
- Przegląd dostępnych bibliotek i interfejsów do budowy deep learning w R
- Sieci neuronowe MLP- nnet, neuralnet
- Pakiety do Deep Learning – deepnet, darch, rnn, autoencoder
- Interfejsy do Tensorflow, keras, h20
- Budowa sieci typu deep w R
- 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
- Zastosowanie deep learning do rozwiązywania wybranych problemów w R
- Rozpoznawanie obrazów emocji CNN
- Wykrywanie anomalii z pomocą Autoencoders
- Prognozowanie szeregów czasowych z RNN
- Redukcja wymiaru z Autoencoder
- Klasyfikacja z RBM