Hluboké učení (angl. deep learning) je soubor technik strojového učení, které umožňují naučit se komplexní reprezentaci dat pomocí vícevrstvých neuronových sítí. Tyto sítě jsou schopny extrahovat a zpracovat informace z více úrovní dat, čímž [...]
  • PYTHON_ML_DP
  • Délka 5 dní
  • 50 ITK bodů
  • 2 termíny
  • Praha (34 500 Kč)

    Brno (34 500 Kč)

    Bratislava (1 500 €)

  • Mírně pokročilý

Hluboké učení (angl. deep learning) je soubor technik strojového učení, které umožňují naučit se komplexní reprezentaci dat pomocí vícevrstvých neuronových sítí. Tyto sítě jsou schopny extrahovat a zpracovat informace z více úrovní dat, čímž dokáží rozpoznávat složité vzorce a provádět pokročilé úkoly. Hluboké učení je typicky používáno pro řešení problémů, jako jsou rozpoznávání obrazů, zpracování přirozeného jazyka, generování obsahu a predikce. Oproti tradičním metodám strojního učení, které často spoléhají na manuálně určené funkce, hluboké učení umožňuje systému naučit se reprezentace dat samotné, čímž lze dosáhnout lepších výsledků a vyšší přesnosti. Při hlubokém učení se trénuje model na základě velkého množství vstupních dat a pomocí zpětného šíření chyby se optimalizují váhy a parametry neuronových sítí. Tento proces trénování může být časově náročný a vyžadovat velké množství výpočtů, což může být řešeno pomocí moderních GPU. Hluboké učení se stalo klíčovým prvkem umělých neuronových sítí a umožnilo dosáhnout pokroku v mnoha oblastech jako například rozpoznávání řeči, autonomní ježdění a obrazové rozpoznávání.

»
  • Znalost programování v Pythonu na úrovni kurzu PYTHON_INTRO, ale znalosti na úrovni kurzu PYTHON_ADV jsou výhodou
  • Znalosti základů analýzy dat na úrovni kurzu PYTHON_DATAAN
  • Znalosti základů machine learning na úrovni kurzu PYTHON_ML_INTRO
  • Znalosti základů neuronových sítí na úrovni kurzu PYTHON_ML_NN
  • Znalosti základů konvolučních neuronových sítí na úrovni kurzu PYTHON_ML_CNN
  • Znalosti základů konvolučních neuronových sítí na úrovni kurzu PYTHON_ML_BP
  • Odborný výklad s praktickými příklady, cvičení na počítačích.
  • Prezentace probírané látky v tištěné nebo online formě.

Den 1: Úvod do hlubokého učení a neuronových sítí

  • Základy strojového učení
  • Úvod do neuronových sítí a jejich funkce
  • Trénování neuronových sítí pomocí backpropagation
  • Aktivační funkce a jejich výběr
  • Vícevrstvé neuronové sítě a jejich trénování
  • Úvod do knihovny TensorFlow a Keras

Den 2: Konvoluční neuronové sítě (CNN)

  • Úvod do konvolučních neuronových sítí (CNN)
  • Konvoluční vrstvy a filtrování obrázků
  • Pooling vrstvy a zmenšování rozměrů obrázků
  • Úprava obrázků před trénováním
  • Architektury konvolučních sítí (AlexNet, VGG, ResNet)
  • Praktická cvičení pro implementaci konvolučních sítí

Den 3: Rekurentní neuronové sítě (RNN) a další modely

  • Úvod do rekurentních neuronových sítí (RNN)
  • Struktura a fungování RNN
  • Trénování RNN pro predikci a generování textu
  • LSTM a GRU sítě
  • Úvod do generativních modelů (GAN)
  • Úvod do autoenkodérů a jejich aplikací

Den 4: Optimalizace a ladění neuronových sítí

  • Optimalizace hyperparametrů neuronových sítí
  • Metody učení a optimalizace parametrů
  • Regularizace sítí (dropout, L1, L2)
  • Overfitting a jeho prevence
  • Tuning a ladění sítí

Den 5: Aplikace a pokročilá témata v hlubokém učení

  • Aplikace hlubokého učení v praxi (rozpoznávání řeči, rozpoznávání obrazu, strojový překlad)
  • Přenos učení (transfer learning)
  • Úvod do zpracování přirozeného jazyka a NLP
  • Pokročilé tématy v hlubokém učení (adversarial training, attention mechanism, capsule networks)
  • Diskuse a shrnutí kurzu
Aktuální nabídka
Školicí místo
Jazyk kurzu

Uvedené ceny jsou bez DPH.