Deep Learning Specialization Training

Utbildning för specialisering inom Deep Learning

Denna omfattande kurs ger dig kunskap och färdigheter för att effektivt kunna använda AI/ML-ramverk för att utveckla verktyg för djupinlärning. Du kommer att utforska de grundläggande begreppen och praktiska tillämpningarna av djupinlärning samtidigt som du får en tydlig förståelse för skillnaderna mellan djupinlärning och maskininlärning. Kursen täcker ett brett spektrum av ämnen, inklusive neurala nätverk, framåt- och bakåtpropagering, TensorFlow 2, Keras, prestandaoptimeringstekniker, modelltolkningsbarhet, Convolutional Neural Networks (CNN), transfer learning, objektdetektering, Recurrent Neural Networks (RNN), autoencoders och skapande av neurala nätverk i PyTorch.

I slutet av kursen kommer du att ha en solid grund i principer för djupinlärning och förmågan att bygga och optimera djupinlärningsmodeller effektivt med hjälp av Keras och TensorFlow.

Viktiga funktioner

• Kurs och material på engelska
• Mellanliggande - avancerad nivå
• 1 års tillgång till plattformen och klassinspelningar
• 6 timmars videolektioner
• 40 timmars live-klass online
• 50 timmars rekommendation om studietid
• 3 projekt i slutet av kursen
• Virtuellt labb ingår för att öva
• 1 Bedömningstest
• Inget prov men certifiering av slutförandet ingår

Läranderesultat:

• Skilja mellan djupinlärning och maskininlärning och förstå deras respektive tillämpningar.
• Få en grundlig förståelse för olika typer av neurala nätverk.
• Behärska begreppen framåtpropagering och bakåtpropagering i djupa neurala nätverk (DNN).
• Få insikt i modelleringstekniker och prestandaförbättring inom djupinlärning.
• Förstå principerna för hyperparameterinställning och modelltolkningsbarhet.
• Lära sig om viktiga tekniker som dropout och early stopping och implementera dem effektivt.
• Utveckla expertis inom Convolutional Neural Networks (CNN) och objektdetektering.
• Förvärva en gedigen förståelse för återkommande neurala nätverk (RNN).
• Bli bekant med PyTorch och lära dig hur du skapar neurala nätverk med hjälp av detta ramverk.

Målgrupp för kursen

Programvaruingenjörer och utvecklare - De som vill integrera AI och djupinlärning i sina projekt.

Data Scientists & Analysts - Professionella som vill utöka sin kompetens inom neurala nätverk och maskininlärning.

AI/ML-entusiaster - Personer med en passion för artificiell intelligens som vill bygga applikationer i den verkliga världen.

Studenter och forskare - Studenter på grundnivå eller avancerad nivå inom datavetenskap, matematik eller relaterade områden.

IT & Cloud Professionals - De som arbetar med cloud computing, DevOps eller infrastruktur och som behöver förstå AI-modeller.

Affärs- och produktchefer - Yrkesverksamma som behöver AI-kunskap för att fatta datadrivna beslut och utveckla AI-drivna produkter.

Entreprenörer och startups - Innovatörer som vill bygga AI-drivna företag eller förbättra befintliga produkter med djupinlärning.

Förkunskapskrav:

Grundläggande Python-programmering, kunskap om linjär algebra, sannolikhet och vissa grundläggande kunskaper om maskininlärning rekommenderas starkt.

Ämnen som omfattas:

Introduktion till djupinlärning

• Kort historik om AI
• Motiv för djupinlärning
• Skillnad mellan djupinlärning och maskininlärning
• Framgångar med djupinlärning
• Tillämpningar av djupinlärning
• Utmaningar med djupinlärning
• Ramverk för djupinlärning
• Full cykel av djupinlärningsprojekt
• Neurala nätverk och olika typer av neurala nätverk

Perceptron

• Framåtpropagering i perceptron
• Aktiveringsfunktionernas roll
• Bakåtpropagering i perceptron
• Algoritm för gradientnedstigning
• Begränsningar av perceptron

Djupa neurala nätverk

• Vad är DNN och varför är det användbart
• Förlustfunktioner
• Framåtpropagering i DNN
• Bakåtpropagering i DNN
• Introduktion till TensorFlow
• Träning av DNN med hjälp av TensorFlow
• Introduktion till TensorFlow Playground

TensorFlow

• Introduktion till Tensorer
• Sekventiella API:er i TensorFlow
• Keras en introduktion

Modelloptimering och prestandaförbättring

• Introduktion till optimeringsalgoritmer
• Introduktion till SGD och implementering
• Introduktion till Momentum och implementering
• Introduktion till Adagrad och implementering
• Introduktion till Adadelta och implementering
• Introduktion till RMSProp och implementation
• Introduktion till Adam och implementering
• Implementering av batchnormalisering
• Exploderande och försvinnande gradienter
• Introduktion till Hyperparameter Tuning och implementering
• Modellens tolkningsbarhet
• Bortfall och tidig stoppning

Konvolutionella neurala nätverk

• Vad är CNN?
• CNN-arkitektur
• ResNet 50
• Arbetssätt för CNN
• Poolning i CNN
• Bildklassificering med hjälp av CNN
• Introduktion till Tensorboard

Överföringsinlärning

• Introduktion till överföringsinlärning
• Hur man väljer förtränade modeller
• Fördelar med överföringsinlärning

Detektering av objekt

• Objektdetektering för flera objekt
• Översikt på hög nivå av YOLO V3-algoritmen
• Förberedelse av dataset för YOLO V3-algoritmen
• Objektbedrägeri med YOLO V3
• Introduktion till TF Lite
• Konvertering av TF-modell till TF Lite-modell

Återkommande neurala nätverk (RNN)

• Vad är sekvensmodellering
• Introduktion till RNN
• Arkitektur för RNN
• Framåt- och bakåtpropagering i RNN
• Introduktion till hybridmodellering
• Arkitektur för en CNN- och RNN-hybridmodell

Transformeringsmodeller för bearbetning av naturligt språk (NLP)

• Översikt över transformatormodeller
• Arkitektur för transformatormodellen
• Introduktion till BERT-modellen

Komma igång med autoencoders

• Introduktion till oövervakad djupinlärning
• Vad är autoencoders
• Arkitektur av autoencoders
• Användningsfall och utbildning av autoencoders

PyTorch

• Att komma igång med PyTorch
• Skapa ett neuralt nätverk i Pytorch

Kommer att missa en liveklass påverka min förmåga att slutföra kursen?

Nej, att missa en lektion kommer inte att påverka din förmåga att slutföra kursen. Med vår ”flexi-learn”-funktion kan du titta på den inspelade sessionen av en missad klass när det passar dig. Detta gör att du kan hålla dig uppdaterad med kursinnehållet och uppfylla de nödvändiga kraven för att utvecklas och få ditt certifikat. Gå bara in på lärplattformen, välj den missade lektionen och titta på inspelningen för att få din närvaro markerad.

Licensiering och ackreditering

Denna kurs erbjuds av Simplilearn enligt Partner Program Agreement och uppfyller kraven i licensavtalet. AVC marknadsför denna kurs på uppdrag av Simplilearn.

Equity Policy

Simplilearn tillhandahåller inte boende på grund av funktionshinder eller medicinska tillstånd hos några studenter. Kandidater uppmuntras att nå ut till AVC för vägledning och stöd under hela boendeprocessen.