TensorFlow – Sieci Neuronowe i Deep Learning w biznesie

TensorFlow – Sieci Neuronowe i Deep Learning w biznesie

Szkolenia otwarte

3800 PLN

- Szkolenie, w którym uczestniczą osoby z różnych firm
- Plan szkolenia taki, jak przedstawiony na stronie
- Małe grupy szkoleniowe, 3-10 osób

Szkolenia zamknięte

Cena ustalana indywidualnie

- Szkolenie realizowane na indywidualne zamówienie
- Termin i miejsce szkolenia ustalamy indywidualnie
- Plan szkolenia dostosowany do potrzeb firmy

O szkoleniu

Szkolenie Sieci Neuronowe i Deep Learning w biznesie to praktyczny przewodnik po sieciach neuronowych i zaawansowanych architekturach deep learning z przykładami w platformie TensorFlow. W trakcie szkolenia poznasz i zrozumiesz jak działają głębokie sieci neuronowe a dzięki licznym studiom przypadku i ćwiczeniom nauczysz się budować głębokie sieci neuronowe z pomocą TensorFlow

Ze względu na poziom skomplikowania metod wykorzystywanych w deep learning, głębokie sieci neuronowe postrzegane są jak czarne skrzynki. Aby skutecznie zacząć wykorzystywać je do rozwiązywania problemów biznesowych należy sięgnąc do podstaw sieci neuronowych, metod statystycznych i matematycznych. Znajomość architektury, parametrów czy funkcji aktywujących ma ogromny wpływ na jakość budowanych sieci neuronowych. Około 30% czasu szkolenia nasi trenerzy poświęcają na wyjaśnienie w przystępny sposób zaawansowanych kwestii i metod związanych z deep learning. Dzięki dobrym podstawom i zrozumieniu zaawansowanych architektur deep learning uczestnicy z powodzeniem zastosują zdobytą w trakcie szkolenia wiedzę w aplikacjach biznesowych.

W części praktycznej szkolenia do budowy głębokich sieci neuronowych wykorzystujemy TensorFlow. TensorFlow to platforma maszynowego uczenia rozwijana w szczególności do budowy sieci neuronowych udostępniona publicznie 9 listopada 2015 roku przez Google. Od momentu publikacji pierwszej wersji TensorFlow 0.5 do dnia dzisiejszego większość braków i problemów zostało naprawionych a platforma cieszy się coraz większym zainteresowaniem developerów i stanowi bazę dla projektów Data Science. W szkoleniu wykorzystujemy TensorFlow ze względu na dużą elastyczność, łatwość wykorzystania i wdrożenia dzięki API keras oraz możliwośc implementacji złożonych modeli deep learning.

Dla kogo jest to szkolenie?

  • Data Scientist i profesjonaliści wykorzystujący w swojej pracy metody i algorytmy maszynowego uczenia, szukający praktycznej wiedzy z wykorzystania deep learning i głębokich sieci neuronowych w rozwiązywaniu złożonych problemów biznesowych.
  • Developerzy pracujący nad rozwiązaniami opartymi o metody deep learning przy pomocy platformy TensorFlow

Czego się nauczę?

  • Zrozumiesz działanie podstawowych sieci neuronowych typu feed-forward, poznasz najważniejsze składniki sieci taki jak funkcje aktywujące, optymalizatory, parametry, hiperparametry, algorytm backpropagation
  • Poznasz TensorFlow, metody pracy z platformą oraz dostępne API takie jak keras czy Python, nauczysz się tworzyć programy do budowy głębokich sieci neuronowych.
  • Poznasz konwolucyjne sieci neuronowe które znajdują przedewszystkim zastosowanie w przetwarzaniu obrazów a w szczególności w rozpoznawaniu i detekcji obiektów, klasyfikacji, lokalizacji i segmentacji. Dzięki budowie sieci krok po kroku, aplikacji do różnych problemów i ćwiczeniom zrozumiesz istotę sieci konwolucyjnych i nauczysz się je budować w TensorFlow do różnych zastosowań
  • Poznasz rekurencyjne sieci neuronowe i nauczysz się je implementować w TensorFlow. Na przykładach z prognozowania szeregów czasowych, klasyfikacji text-spam oraz sekwencyjnej analizie języka naturalnego poznasz zaawansowane architektury sieci RNN takie jak LSTM bidirection RNN czy GRU.
  • Poznasz metody deep learning stosowane w problemach uczenia bez nadzoru. W szczególności nauczysz się budować głębokie sieci neuronowe takie jak Restricted Boltzmann Machines, Deep Belief Networks i Auto-Encoders. Wykorzystasz je w praktyce do redukcji wymiaru zmiennych, wykrywania anomalii czy redukcji szumu
  • Nauczysz się stosować metody próbkowania do uczenia DBN – poznasz podstawy wnioskowania bayesowskiego, metodę próbkowania Gibbsa oraz metodę Markov chain Monte Carlo
  • Poznasz najbardziej zaawansowane architektury deep learning takie jak R-CNN, U-Net, GAN oraz ich praktyczne zastosowania
  • Dowiesz się jak dobierać parametry sieci, na co zwracać uwagę przy budowie głębokich sieci neuronowych i jak tuningować sieć
  • Nauczysz się programować w TensorFlow i tworzyć zaawansowane modele deep learning z wykorzystaniem API Keras
  • Dowiesz się jak przyspieszyć obliczenia korzystając z GPU i rozproszonych obliczeń w TensorFlow

Plan szkolenia

  1. Podstawy Sieci neuronowych i Deep Learning
    • Algorytmy uczenia maszynowego
    • Supervised vs Unsupervised learning
    • Reinforcement learning
    • Sieci neuronowe i analogie do neuronów biologicznych
    • Algorytm backpropagation – uczenie sieci neuronowych
    • Metody optymalizacji
    • Od zwykłej sieci neuronowej do sieci typu deep
    • Problemy jakie rozwiązujemy za pomocą uczenia głębokiego
  2. Architektury sieci neuronowych i deep – omówienie najważniejszych elementów wybranych sieci neuronowych i ich zastosowań
    • Multilayer perception
    • Deep neural networks – architektury głębokich sieci neuronowych
    • Convolutional Neural Networks
    • Restricted Boltzman Machines
    • Autoencoders
    • Recurrent Neural Networks
    • Porównanie platform deep learning
  3. Zaczynamy pracę z TensorFlow
    • Nowe możliwości wraz z TensorFlow 1.x
    • Instalacja TensorFlow na różnych platformach
    • API dla TensorFlow i dlaczego Python jest najlepszym wyborem
    • Instalacja i uruchomienie TensorFlow na GPU NVIDIA CUDA
    • Grafy obliczeniowe (z ang. Computational Graphs)– przepływ danych, korzyści
    • Budowa modelu TensorFlow – Rank, Shape, Data types, Variables, Fetches, Feeds
    • Grafy obliczeniowe – tworzenie, zapisywanie, sesje
    • Tensor jako podstawowa struktura danych I jego właściwości – rank, shape, data type, tworzenie nowych tensorów
    • TensorBoard – przepływ danych i wizualizacja wyników
    • Jak działa TensorBoard? – dodawanie podsumowań, podstawowe operacje, korzystanie z command line
    • Migracja do TensorFlow 1.x- ograniczenia, aktualizacja skryptu i najważniejsze komponenty
    • Metody optymalizacji w TensorFlow z perspektywy Deep Learning
    • Dokumentacja i pomoc dla TensorFlow
  4. Budowa sieci neuronowych typu Feed-Forward w TensorFlow
    • Architektura sieci feed-forward i algorytm backpropagation
    • Generalizacja metody backpropagation i obliczenie gradientu
    • Komponenty sieci – Wagi, bias, funkcje aktywujące
    • Optymalizacja metodą gradientu prostego – wyzwania i rozwinięcia
    • Parametry wpływające na uczenie sieci – learning rate, batch, dropout
    • Case study – Segmentacja za pomocą sieci neuronowej w TensorFlow
    • Tuningowanie sieci i dobór funkcji aktywujących i parametru dropout
    • Zapisywanie i przywracanie modelu w TensorFlow
    • Tuningowanie parametrów sieci
  5. Budowa konwolucyjnych sieci neuronowych ( z ang. Convolutional Neural Networks) w TensorFlow
    • Wprowadzenie do sieci CNN
    • Operator konwolucji i sygnały
    • Komponenty konwolucyjnych sieci neuronowych
      • Input Layer
      • Convolution Layer
      • Pooling Layer
    • Backpropagation, dropout, regularyzacja
    • Architektura sieci CNN i spotykane przykłady:
      • LeNet
      • AlexNet
      • ResNet
    • Budowa sieci CNN w TensorFlow
    • Case Study – Rozpoznawanie emocji na obrazie
    • GAN – Generative adversarial Networks
    • Tuningowanie sieci CNN i dobór parametrów
  6. Rekurencyjne sieci neuronowe (z ang. Recurrent Neural Networks)
    • Budowa rekurencyjnych sieci neuronowych w TensorFlow
    • Backpropagation through time – BPTT
    • Architektury i modyfikacje sieci
    • Problemy w optymalizacji sieci – zanikający lub eksplodujący gradient
    • Przetwarzanie języka naturalnego za pomocą sieci RNN
    • LSTM – Long short term memory
    • GRU – Gated Recurrent Unit
    • Bidirectional RNN
    • Case study – Klasyfikacja obrazu z RNN i predykcja tekstu
    • Dobór parametrów sieci
  7. Restricted Boltzman Machine i Auto-encoder – Uczenie bez nadzoru za pomocą sieci deep.
    • Budowa i uczenie sieci RBM
    • Markov Chain Monte Carlo – Gibbs Sampling i algorytm Metropolis’a
    • Wykorzystanie próbkowania Gibbs’a w RBM i Contrastive Divergence
    • Implementacja RBM w TensorFlow
    • Case study – klasyfikacja,predykcja tekstu coz RBM
    • Deep belief networks
    • Architektura i uczenie sieci typu Auto-encoders
    • Implementacja Sieci Auto-encoder w TensorFlow
    • Case study – redukcja wymiaru macierzy, wykrywanie anomalii, redukcja szumu
    • Jak dobierać parametry dla sieci ?
  8. Zaawansowane programowanie w TensorFlow
    • Keras
    • Pretty Tensor
    • TFLearn
    • Przykłady sieci w keras:
      • Konwolucyjna sieć neuronowa LeNet
      • Analiza sentymentu siecią LSTM
      • Prognozowanie popytu na energią za pomocą rekurencyjnych sieci neuronowych
      • Part-of-speach tagging za pomocą sieci GRU
      • Segmentacja za pomocą sieci CNN
  1. Obliczenia GPU w TensorFlow
    • Architektura CUDA
    • Kofiguracja i zarządzanie obliczeniami na GPU
    • Zarządzanie pamięcią
    • Kody źródłowe do obliczeń na GPU

Plan Szkolenia

Plan jest pusty

Instruktorzy


Zapytaj o szkolenie

Jestem zainteresowany/a

Podaj wynik działania:


 

Zapytaj o szkolenie zamknięte

Jestem zainteresowany/a

Podaj wynik działania:


 

Zapytaj o szkolenie otwarte
 

Jestem zainteresowany/a

Podaj wynik działania:


 

Zapytaj o ścieżkę szkoleniową
 

Rodzaj ścieżki:

Preferowany tryb szkolenia:

DziennyPopołudniowyWeekendowy

Podaj wynik działania:


 
Szybki kontakt