Keras w praktyce. Kurs video. Tworzenie modeli uczenia głębokiego

Radosław Słowiński

Obierz kurs na... Kerasa! Sztuczna inteligencja budzi w ludziach sprzeczne emocje. Niektórzy widzą w niej śmiertelne zagrożenie, inni wprost przeciwnie, dostrzegają ogromną szansę na rozwój nauki. Ci drudzy niestrudzenie poszukują sposobów na to, by nauczyć maszyny sensownego przetwarzania informacji. Jednym z takich sposobów jest rozwijające się dziś intensywnie uczenie maszynowe i towarzyszące mu uczenie głębokie, a technologia ta wymaga umiejętności budowy sieci neuronowych i ich wykorzystywania. Jeśli chcesz zagłębić się nieco w świat przyszłości i zrozumieć podstawy, na jakich opierają się dzisiejsze rozwiązania w zakresie inteligentnych maszyn, najwyższy czas przyjrzeć się bliżej bibliotece Keras, zaimplementowanej w języku Python. Tematem szkolenia Keras w praktyce. Kurs video. Tworzenie modeli uczenia głębokiego są różne techniki wykorzystywane podczas projektowania i programowania głębokich sieci neuronowych z poziomu biblioteki, która wykorzystuje popularne frameworki, takie jak TensorFlow, CNTK czy Theano. Aby wynieść z kursu jak najwięcej, powinieneś znać język Python. Dodatkowym atutem będzie znajomość ogólnej idei uczenia maszynowego i jego rodzajów. Sprawdź, jak wykorzystać bibliotekę Keras do swoich celów, i naucz się tworzyć uczące się sieci! Czego nauczysz się podczas naszego profesjonalnego szkolenia? Poznasz różne rodzaje uczenia głębokiego. Dowiesz się, jak dodawać sieci gęste i konwolucyjne w Kerasie. Nauczysz się tworzyć modele sieci neuronowych. Opanujesz proces uczenia sieci neuronowej. Odkryjesz, jak normalizować dane z wykorzystaniem Kerasa. Zorientujesz się, jak wygląda ogólny schemat działania sieci konwolucyjnej. Keras w praktyce. Kurs video. Tworzenie modeli uczenia głębokiego to 12 lekcji, podczas których opanujesz korzystanie ze specjalistycznej biblioteki Pythona w stopniu podstawowym. Główny nacisk jest tu położony na poznanie ogólnego konceptu stojącego za określonymi metodami uczenia głębokiego — nie tyle w teorii, ile w praktyce. Podczas kursu wraz z autorem napiszesz kilka projektów, na przykład dotyczących sieci neuronowej zdolnej rozpoznawać cyfry od 0 do 9 lub sieci neuronowej określającej, czy podana recenzja filmu jest pozytywna, czy negatywna. Co więcej, poznasz różnice między sieciami gęstymi a konwolucyjnymi. Odkryjesz, jak działają sieci konwolucyjne i dlaczego przydają się przy rozwiązywaniu problemów z wizją komputerową. Zobaczysz także, jak stworzyć proste modele, które dokonują klasyfikacji z wykorzystaniem frameworka Keras. Projektowanie z użyciem Kerasa Warto wiedzieć, że biblioteka Keras zapewnia użytkownikowi przyjazne API. Do jej obsługi nie jest potrzebna aż tak złożona wiedza jak w przypadku TensorFlow, dlatego naukę warto zacząć właśnie od niej. Keras w praktyce. Kurs video. Tworzenie modeli uczenia głębokiego pozwala oswoić się z biblioteką i pokazuje, jak tworzyć praktyczne projekty. Chociaż w uczeniu głębokim matematyka odgrywa kluczową rolę, ten kurs nie wymaga znajomości jej bardziej złożonych zagadnień: autor starał się zminimalizować potrzebę odwoływania się do kwestii matematycznych. Nauka tworzenia sieci neuronowych i prostych klasyfikatorów może zaprocentować w przyszłości. Uczenie głębokie jest bardzo szeroką i wymagającą dziedziną, a podczas tego kursu zdobędziesz wiedzę, którą niełatwo przyswoić w inny sposób. Odkryjesz mnóstwo zagadnień związanych z budową sieci neuronowych, trenowaniem tych sieci oraz tworzeniem i testowaniem modeli. To zapewni Ci doskonałe podstawy do dalszej nauki. Jak odróżnić psa od kota? Zrozumienie działania sieci neuronowych i reguł rządzących uczeniem głębokim może Ci pomóc w najdziwniejszych problemach. Z wykorzystaniem świeżo zdobytej wiedzy uda Ci się stworzyć prosty klasyfikator, rozpoznający różne kategorie obrazów i przedmiotów, na przykład właściwie przyporządkowujący zdjęcie psa do innego zbioru niż zdjęcie kota, a także bardziej zaawansowany model, zdolny do oceny komentarza tekstowego — zarówno pozytywnego, jak i negatywnego. Efektywne programowanie sieci neuronowych, w tym konwolucyjnych, wymaga znajomości biblioteki, ale także ogólnego kontekstu i prześledzenia sposobu wyodrębniania elementów znaczących ze zbioru surowych danych. To wszystko znajdziesz w tym szkoleniu. Następnym Twoim krokiem może już być samodzielne wymyślanie i badanie nowych architektur sieci neuronowych i próba użycia ich do rozwiązania danego problemu. Tylko dla wtajemniczonych Keras w praktyce. Kurs video. Tworzenie modeli uczenia głębokiego pomoże Ci rozpocząć przygodę z programowaniem sieci neuronowych i uczeniem maszynowym. Ta rozwijająca się prężnie dziedzina informatyki święci dziś triumfy, ponieważ klasyfikatory, segregatory, testery przydają się zawsze i wszędzie. Rozpoznawanie obrazów, przetwarzanie języka naturalnego, przewidywanie ciągów danych, generowanie tekstu i obrazu na podstawie niepełnych danych: to wszystko jest możliwe dzięki temu, że możemy coraz lepiej programować uczące się maszyny. Szacuje się, że w 2020 roku przychody z oprogramowania związanego ze sztuczną inteligencją sięgną 30 miliardów dolarów. Na pewno warto się dowiedzieć, jak i dlaczego to wszystko działa. Kto wie, może będzie to Twój sposób na biznes? „Just as electricity transformed everything 100 years ago, today I actually have a hard time thinking of an industry that I don’t think AI will transform in the next several years” Andrew Ng

Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek

Obierz kurs na... machine learning! Uczenie maszynowe obejmuje techniki wykorzystywane najczęściej w obszarze określanym mianem sztucznej inteligencji — a właśnie ona jest w tej chwili jednym z głównych kierunków rozwoju technologicznego branży IT. Niesamowite jest to, że po odpowiednim przekształceniu wiele problemów praktycznych, inżynierskich czy też biznesowych można rozwiązać właśnie z użyciem uczenia maszynowego. Można dzięki niemu wyszukiwać zdjęcia, na których znajdują się te same lub podobne obiekty, klasyfikować teksty z danej dziedziny, szacować, jak potoczy się kariera absolwenta szkoły i jaki kolejny produkt klient umieści w koszyku. Rozwiązania takich problemów są źródłem budowania wartości właściwie w każdej branży, w której nastąpiła już choćby minimalna cyfryzacja. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pomoże Ci zorientować się w najważniejszych kwestiach dotyczących uczenia maszynowego i poznać techniki budowania praktycznych modeli, pozwalających swobodnie poruszać się w dużych zbiorach danych i wyłuskiwać z nich potrzebne informacje. Wgryź się w podstawy uczenia maszynowego i wykorzystaj je już dziś — ta rewolucja dzieje się naprawdę! Czego nauczysz się podczas naszego profesjonalnego szkolenia? Zainstalujesz i skonfigurujesz środowisko Anaconda. Nauczysz się korzystać z Google Colaboratory. Poznasz dobre praktyki w uczeniu maszynowym (w tym metody projektowe). Zobaczysz, jak wygląda wczytywanie danych i manipulowanie nimi za pomocą biblioteki Pandas. Wykorzystasz modele zaimplementowane w bibliotece Scikit-Learn (sklearn) do rozwiązania problemów:  klasyfikacji,  regresji,  redukcji wymiaru,  poszukiwania skupień. Zbudujesz modele sieci neuronowych w bibliotece Keras/Tensorflow (w tym modele sieci konwolucyjnych i rekurencyjnych). Sprawdzisz, jak wykorzystać biblioteki MLextend do analiz asocjacji. W kolejnych krokach opanujesz technikę transfer learningu, dokonasz optymalizacji hiperparametrów modeli i odkryjesz, jak działa konteneryzacja rozwiązań z użyciem Dockera. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek zakończysz na poziomie podstawowym, ale Twoja wiedza zwiększy się zdecydowanie. Bezpośrednio dzięki umiejętnościom zdobytym w czasie kursu będziesz potrafił zbudować takie rozwiązania jak: klasyfikator obrazów (na przykład rozpoznający, że na obrazie z kamery bezpieczeństwa pojawił się jakiś konkretny obiekt), klasyfikator tekstów (na przykład pozwalający zaklasyfikować wiadomości do odpowiedniej kategorii), model do prognozy zjawisk obserwowanych w czasie (na przykład prognozujący liczbę samochodów, które przejeżdżają dany odcinek drogi), model mierzący różne wartości liczbowe na podstawie obrazów (na przykład taki, który jest w stanie stwierdzić, jak bardzo nachylony jest obiekt znajdujący się na zdjęciu), model pozwalający wyszukiwać obiekty o podobnych cechach (na przykład zdjęcia zawierające podobne obiekty). Sztuczna inteligencja i uczenie maszynowe Sztuczna inteligencja w połączeniu z rozwojem narzędzi big data, usług chmurowych i stopniowym zwiększaniem mocy obliczeniowej nawet komputerów klasy PC coraz szybciej przekształca branżę IT. Dzięki temu, że należące do niej wielkie firmy udostępniły na zasadach open source wiele narzędzi i bibliotek, które pozwalają na szybkie i sprawne budowanie rozwiązań opartych na uczeniu maszynowym, rozwój tej dziedziny przyspiesza jeszcze bardziej. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pozwoli Ci odkryć najważniejsze techniki uczenia maszynowego i dostosować modele do Twoich celów. Oprócz przykładów zastosowania klasyfikacji z użyciem płytkiego i głębokiego uczenia maszynowego oraz zastosowania regresji znajdziesz tu przykłady uczenia nienadzorowanego, optymalizacji hiperparametrów oraz konteneryzacji wytrenowanych modeli za pomocą Dockera. Przyjmij zaproszenie do świata AI! Trudno określić, jak będzie się rozwijać uczenie maszynowe w przyszłości, jednak pewne jest, że przynajmniej w najbliższych latach będzie to dziedzina znajdująca coraz więcej praktycznych zastosowań. Zaobserwować można postępującą „demokratyzację” uczenia maszynowego — narzędzia stają się coraz łatwiejsze w użyciu, dostępne są już wytrenowane modele, które dzięki technice transfer learningu łatwo jest zaprząc do rozwiązywania własnych problemów, a usługi chmurowe, oferujące możliwość użycia komputerów o dużej mocy obliczeniowej, mają na tyle przystępne ceny, że każda firma czy nawet osoba prywatna może sobie pozwolić na korzystanie z tych narzędzi. To wszystko powoduje, że wiele osób pragnie jak najszybciej poznać techniki związane z uczeniem maszynowym i ze sztuczną inteligencją. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek to najlepszy wstęp do praktycznego zastosowania metod zdecydowanie ułatwiających pracę z dużymi zbiorami danych. Po tym kursie już nigdy nie będziesz musiał ręcznie szukać igły w stogu siana. Tylko dla wtajemniczonych W 2020 roku firma OpenAI udostępniła API do modelu GPT-3, którego najobszerniejsza wersja zawiera przeszło 170 miliardów parametrów (dla porównania: modele omawiane podczas szkolenia Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek mają maksymalnie kilkadziesiąt milionów parametrów). Okazuje się, że tak duży model, wytrenowany na ogromnym zbiorze tekstów, zaczyna mieć już pewne cechy, których spodziewać by się można po przyszłych modelach „ogólnej sztucznej inteligencji” — potrafi rozwiązywać zadania, do których nie został bezpośrednio wytrenowany. Jego możliwości są oczywiście nadal bardzo dalekie od możliwości ludzkiego mózgu, jednakże jego potencjalne praktyczne zastosowania są przeogromne, wręcz przełomowe. Obecnie dostęp do modelu GPT-3 jest możliwy jedynie przez API udostępniane beta testerom, ale gdy tylko dostęp ten stanie się powszechny, warto poeksperymentować z tym modelem i sprawdzić jego działanie.     Jak zrozumieć działanie modeli klasyfikacji w Pythonie?    

Uczenie głębokie z PyTorch. Kurs video. Opanuj sztuczną inteligencję

Tomasz Kaniecki

Obierz kurs na... sztuczną inteligencję Sztuczna inteligencja, ChatGPT, sieci neuronowe, uczenie maszynowe, uczenie głębokie... Oto hasła, które elektryzują nie tylko branżę informatyczną na całym świecie. Wraz z rozwojem tej dziedziny wiedzy i w rytmie prezentowania kolejnych narzędzi rosną nadzieje na praktyczne, naukowe i biznesowe zastosowanie drzemiących w niej możliwości. Okazuje się bowiem, że sztuczna inteligencja będzie w stanie wydajnie wspomóc nas w obliczeniach, wyszukiwaniu danych, analizach i wyciąganiu wniosków, ale także w pracy kreatywnej, i to w tak wielu dziedzinach, że to, co dziś wydaje się technologiczną nowinką, jutro okaże się prawdopodobnie czymś obowiązkowym. Jutro funkcjonowanie w tradycyjny, niewspomagany przez AI sposób może oznaczać utratę przewagi konkurencyjnej. A na to praktycznie nikt nie może sobie pozwolić. Dlatego, zdając sobie sprawę z rodzaju wyścigu, w jakim startują, kraje, organizacje, instytucje naukowe i firmy już dziś intensywnie poszukują sposobów na zaprzęgnięcie sztucznej inteligencji do pracy, a także specjalistów, którzy je znają i potrafią wdrożyć. Ten kurs ma za zadanie wprowadzić Cię w tematy związane z AI – przede wszystkim dotyczące uczenia maszynowego i głębokiego. Szkolenie koncentruje się na praktycznym zastosowaniu biblioteki PyTorch, która jest jednym z najdynamiczniej rozwijających się narzędzi w dziedzinie sztucznej inteligencji. Ta otwartoźródłowa biblioteka języka Python została stworzona przez oddział sztucznej inteligencji Facebooka, a następnie przekazana pod opiekę Linux Foundation. Stosuje się ją przede wszystkim w aplikacjach służących przetwarzaniu języka naturalnego. Zgłębiając tajniki PyTorch, zdobędziesz praktyczne umiejętności, które są szczególnie poszukiwane na rynku pracy. Otworzy Ci to drzwi do kariery w jednej z najbardziej ekscytujących i dynamicznych dziedzin technologicznych. Co Cię czeka podczas naszego profesjonalnego szkolenia W ramach kursu między innymi: Opanujesz podstawy uczenia maszynowego i głębokiego uczenia: zrozumiesz fundamentalne koncepcje, takie jak sieci neuronowe, funkcje aktywacji, propagacja wsteczna i optymalizacja Zapoznasz się z PyTorch: zaznajomisz się z podstawowymi operacjami na tensorach, a także zarządzaniem danymi i modelami w PyTorch Będziesz trenować i testować modele: nauczysz się budowania, trenowania i ewaluacji modeli sieci neuronowych na realnych zbiorach danych, takich jak MNIST Popracujesz z CNN i LSTM: zrozumiesz i zaimplementujesz konwolucyjne sieci neuronowe (CNN) do przetwarzania obrazów i długiej krótkoterminowej pamięci (LSTM) do analizy danych sekwencyjnych Poznasz zaawansowane modele CNN: przyjrzysz się ewolucji i budowie zaawansowanych architektur CNN, takich jak VGG, a także ich zastosowaniu w rozpoznawaniu obrazów Będziesz modelować hybrydowo: dowiesz się, jak budować i trenować hybrydowe modele sieci neuronowych, w tym RandWireNN, które łączą różne architektury dla zwiększenia wydajności Wygenerujesz tekst z GPT-2: zdobędziesz doświadczenie w fine-tuningu i implementacji modeli generatywnych, takich jak GPT-2, do tworzenia tekstów Przetransferujesz styl neuronowy: nauczysz się stosować techniki transferu stylu do modyfikacji obrazów przy użyciu głębokich sieci neuronowych Zobaczysz, czym jest uczenie przez wzmacnianie z Deep Q-Networks (DQN): przerobisz wprowadzenie do algorytmów uczenia przez wzmacnianie, w tym DQN, i ich zastosowanie w zadaniach decyzyjnych Wyeksportujesz i zaimportujesz model z Open Neural Network Exchange (ONNX): zrozumiesz i praktycznie wykorzystasz ONNX do przenoszenia modeli między różnymi platformami i narzędziami Zautomatyzujesz proces modelowania (AutoML): poznasz techniki AutoML w PyTorch, które ułatwiają automatyczne wyszukiwanie najlepszych architektur i hiperparametrów Rozwiążesz rzeczywiste problemy związane z AI: zastosujesz nabyte umiejętności do rozwiązywania konkretnych problemów w różnych dziedzinach, takich jak wizja komputerowa, przetwarzanie języka naturalnego (NLP) i inne Poznasz najlepsze praktyki i zasady optymalizowania modeli: zaznajomisz się z technikami optymalizacji i najlepszymi praktykami w projektowaniu, trenowaniu i wdrażaniu modeli sieci neuronowych Szkolenie Uczenie głębokie z PyTorch. Kurs video. Opanuj sztuczną inteligencję kończy się na poziomie średnio zaawansowanym. Wyniesiesz z niego wiedzę teoretyczną i praktyczne umiejętności, które są niezbędne do pracy w dziedzinie sztucznej inteligencji i uczenia maszynowego. Na początku mojej przygody z uczeniem maszynowym i głębokim uczeniem zdałem sobie sprawę, że nie jest to tylko kolejny zestaw narzędzi technologicznych. To nowy język przyszłości, który pozwala nam na dialog ze złożonymi systemami i otwiera drzwi do dużych możliwości. PyTorch, którym dzielę się w tym kursie, nie jest tylko platformą; to most łączący Twoją kreatywność z potencjałem, jaki kryje w sobie sztuczna inteligencja. Każdy moduł, każda linijka kodu, którą tu znajdziesz, zostały zaprojektowane z myślą o umożliwieniu Ci kształtowania technologii. Pamiętaj, że każdy wielki projekt zaczyna się od pierwszego kroku. Niech ten kurs będzie Twoim krokiem w podróży, która może zmienić świat wokół nas. Witam Cię w podróży do świata AI, gdzie jedynym ograniczeniem jest Twoja wyobraźnia. Tomasz Kaniecki