Навлезете во светот на длабокото учење! Научете како да дизајнирате, тренирате и оптимизирате невронски мрежи користејќи Python и Keras. Стекнете практични вештини за решавање на реални проблеми и откријте го потенцијалот на длабокото учење за трансформација на вашата организација.
Преглед на курсот
| Поглавје | Детали |
| Партнер | Факултет за електротехника и информациски технологии |
| Наслов | Длабоко учење |
| Услуга | Курс |
| Целна група | Инженери и IT професионалци од МСП, индустрија и јавни организации, како и лица кои сакаат да ги развијат своите вештини во областа на длабоко учење |
| Формат | Настава во живо |
| Фокус на клучни технологии | Вештачка интелигенција, Длабоко учење |
| Статус | Подготвен за понуда |
| Засегнати страни од МСП/ЈА | Организации кои сакаат да го применат длабокото учење за оптимизација на работните процеси, подобро носење на одлуки и поттикнување на иновации преку развој и имплементација на ML модели. |
| Барања за учество | Познавање од претпроцесирање и подготовка на податоци за машинско учење, основно познавање од машинско учење, основно познавање од програмирање во Python |
| Проценето времетраење | 4 дена по 4 часа дневно (вкупно 16 часа) |
Опис на курсот
Длабокото учење претставува темел на современата вештачка интелигенција (AI), трансформирајќи го начинот на кој се решаваат сложени проблеми во различни сектори. Со користење на големи количини податоци, овозможува развој на интелигентни решенија што го подобруваат носењето на одлуки, автоматизираат процеси и поттикнуваат иновации. Како што оваа област постојано се развива, така и разбирањето на нејзините концепти и практична примена станува сѐ поважно за организациите кои се стремат кон интеграција на AI во своето работење.
Овој курс овозможува структуриран и сеопфатен преглед на длабокото учење – од основни принципи до напредни техники. Преку балансиран пристап кој ги обединува теоријата и праксата, учесниците ќе стекнат вештини за дизајнирање, тренирање и евалуација на модели за длабоко учење користејќи Python и Keras. Преку работа со реални податочни множества и практични задачи, курсот нуди подлабоко разбирање на архитектурите на невронски мрежи и нивната примена во решавање на реални предизвици.
Курсот се одржува во текот на четири дена, при што секој ден е посветен на различен аспект од длабокото учење:
- Вовед во длабоко учење и невронски мрежи
Започнува со основите на длабокото учење, запознавање со архитектурата на невронските мрежи и работата со Keras. Преку практичен пример, учесниците ќе научат да тренираат плитка невронска мрежа, поставувајќи цврста основа за понатамошна работа со подлабоки мрежи.
- Длабоки невронски мрежи
Овој дел се фокусира на процесите на тренирање на невронска мрежа, преку анализа на функции на загуба, градиентен спуст и различни стратегии за оптимизација. Ќе се разгледаат техники за подобрување на перформансите како што се dropout, batch normalization и L2 регуларизација, со практична примена во развој на длабоки мрежи.
- Конволуциски невронски мрежи (CNNs)
Тука се опфатени основите на конволуциските невронски мрежи и нивната улога во извлекување на карактеристики од комплексни податоци. Учесниците ќе тренираат CNN мрежа користејќи реално податочно мношество и ќе ги истражуваат функциите на одделните слоеви на мрежата.
- Fine-tuning на готова мрежа (transfer learning)
Последниот ден е посветен на transfer learning и неговата примена во адаптација на веќе обучен модел за нови задачи. Ќе се работи на fine-tuning на претходно обучена мрежа, со фокус на ефикасно искористување на постоечките ресурси за различни апликации.
По завршувањето на курсот, учесниците ќе стекнат солидно познавање на длабокото учење, поткрепено со практично искуство во дизајн, тренирање и евалуација на модели. Овие вештини ќе им овозможат примена на длабоко учење во различни реални сценарија и ќе придонесат кон дигитална трансформација базирана на податоци во рамките на нивните организации.
Дополнителни информации за курсот
| Категорија | Детали |
| Стекнати вештини | Учесниците ќе стекнат знаења и вештини, вклучувајќи: |
| Вештина 1: Разбирање на архитектурата на невронските мрежи и на механизмите на пропагација.
Вештина 2: Тренирање и оптимизација на длабоки невронски мрежи со Keras. Вештина 3: Примена на техники како што се dropout, batch normalization и regularization за подобра генерализацијата на моделите. Вештина 4: Дизајнирање и примена на конволуциски невронски мрежи Вештина 5: Адаптација и fine-tuning на готова мрежа за нови задачи. |
|
| Методи на учење | Предавање, практични вежби, групни дискусии |