Redes neuronales. Visión y lectura por computadora (PNL). — tarifa 31990 rublos. de Especialista, formación 24 horas académicas, fecha: 11 de diciembre de 2023.
Miscelánea / / December 03, 2023
Redes neuronales - tecnología moderna de procesamiento de contenidos firmemente establecida. Hoy en día, muchas corporaciones de TI utilizan esta tecnología para crear robots informáticos y chatbots. Los más famosos Alexa (Amazon), Siri (Apple), Alice (Yandex), O'key Google, Google Translate (Google) fueron creados con esta tecnología.
Este curso examinará una serie de redes neuronales implementadas en Python utilizando la biblioteca Tensorflow, concretamente PyTorch, desarrollada en 2017. Estos algoritmos forman la base para la resolución de problemas de visión y lectura por computadora, pero no la agotan, ya que esta área está en constante desarrollo y mejora.
- interactuar con tensores en Python
- familiarizarse con los conceptos básicos de PyTorch
- profundiza tu conocimiento de Python
- familiarizarse con el procesamiento de imágenes utilizando redes neuronales y Python
- familiarizarse con el procesamiento de voz y texto
Docente de cursos de Python para aprendizaje automático. Vladimir Gennadievich es un practicante experimentado, candidato a ciencias físicas y matemáticas e investigador activo.
En su trabajo utiliza métodos de aprendizaje automático y automatización de la recopilación de datos utilizando los lenguajes de programación Python, R, C++, Verilog.
Vladimir Gennadievich es miembro de la comunidad de investigadores Research Gate y monitorea constantemente cómo se utiliza la programación en la ciencia y los desarrollos modernos. Comparte con sus oyentes conocimientos y técnicas actuales que ayudarán a que sus proyectos sean mejores y de clase mundial.
Vladimir Gennadievich publicó 56 artículos en publicaciones como Physical Review B, Physica E, "Journal of Experimental and Theoretical Physics", "Physics and Technology of Semiconductors". Vladimir Gennadievich no sólo participa en el desarrollo de la ciencia y comparte sus logros con sus colegas, sino que también los utiliza con éxito en la práctica:
Vladimir Gennadievich, como profesor-científico, sitúa en primer lugar el desarrollo y la aplicación de nuevas tecnologías. En el aprendizaje, incluido el aprendizaje automático, lo principal para él es penetrar en la esencia de los fenómenos, comprender todos los procesos y no memorizar las reglas, el código o la sintaxis de los medios técnicos. ¡Su credo es la práctica y la inmersión profunda en el trabajo!
Profesor práctico con 25 años de experiencia en el campo de las tecnologías de la información. Experto en desarrollo Full-Stack de sistemas web usando (MySQL, PHP/Python, nginx, HTML5), análisis y visualización de datos usando Python (Pandas, SKLearn, Keras), desarrollo...
Profesor práctico con 25 años de experiencia en el campo de las tecnologías de la información. Experto en desarrollo Full-Stack de sistemas web usando (MySQL, PHP/Python, nginx, HTML5), análisis y visualización de datos usando Python (Pandas, SKLearn, Keras), desarrollo de interfaces de intercambio de datos entre sistemas utilizando tecnologías REST, SOAP, EDIFACT, administrar servidores web en Debian GNU Linux (php/nginx/mariadb), crear documentación técnica y de usuario (en ruso y idiomas ingleses).
Pasé de ser desarrollador de línea a director de TI de mi propia empresa. A lo largo de 25 años, ha creado alrededor de 20 sistemas de información/bases de datos corporativos, más de 50 prototipos y 30 sitios web de distintos tamaños y contenidos. Trabajó en grandes proyectos para empresas como Maersk, Toyota, Nissan, Rossiya-on-Line, Glasnet. Durante 5 años ha estado entre los 10 mejores desarrolladores de la Federación de Rusia en phpClasses.org.
Módulo 1. Introducción a Pytorch y tensores (4 ac. h.)
- Introducción al curso.
- Introducción a las redes neuronales.
- ¿Qué es PyTorch?
- ¿Por qué utilizar tensores?
- Requerimientos técnicos
- Capacidades de la nube
- ¿Qué son los tensores?
- Operaciones con tensores
- Taller sobre el tema.
Módulo 2. Clasificación de imágenes (4 ac. h.)
- Herramientas para cargar y procesar datos en PyTorch.
- Creación de un conjunto de datos de entrenamiento.
- Creación de conjunto de datos de validación y prueba.
- Red neuronal como tensores.
- Función de activación
- Creación de red
- Función de pérdida
- Optimización
- Taller, implementación en GPU.
Módulo 3. Redes neuronales convolucionales (6 ac. h.)
- Construcción de una red neuronal convolucional simple en PyTorch
- Combinar capas en una red (Pooling)
- Regularización de redes neuronales (Dropout)
- Uso de redes neuronales entrenadas.
- Estudio de la estructura de la red neuronal.
- Normalización de lotes (Batchnorm)
- Taller sobre el tema.
Módulo 4. Uso y transferencia de modelos entrenados (5 ac. h.)
- Usando ResNet
- Selección por velocidad de aprendizaje.
- Gradiente de tasa de aprendizaje
- Ampliación de datos para reciclaje.
- Uso de convertidores Torchvision
- Convertidores de color y lambda.
- Convertidores personalizados
- Conjuntos
- Taller sobre el tema.
Módulo 5. Clasificación de textos (5 ac. h.)
- Redes neuronales recurrentes
- Redes neuronales con memoria.
- Biblioteca de texto de antorcha