פיתוח של רשתות נוירונים בפייתון בעזרת machine learning
קורס ללמידה עמוקה ופיתוח של רשתות נוירונים בפייתון בעזרת הספריות tensorflow & keras- machine learning
Description
הקורס מלמד הן את הרקע המתמטי של רשתות נוריונים והן את ההיבטים הפרקטים של שימוש בספריות:
במהלך הקורס יוצגו דוגמאות רבות של מודלים לזיהוי תמונות, זיהוי קובצי קול, הערכת שווי של בתים ושימושים נוספים של רשתות.
יוסברו טכניקות של רשתות מבוססות ארכיטקטורת קונבולוציה, רגרסיה ושיטות רבות לאופטימיזציה.
כמו כן יודגמו שימושים בהביטם שונים של הספריה לשמירה של הרשת, שימוש ברשת קיימת לחיזוי, אופנים שונים של בנית שכבות ועוד.
דרישת הקדם היחידה לקורס היא ידע בתכנות בפייתון.
SGD- Stochastic Gradient Descent
Backpropagation
Overfitting & Hyperparameters
L1 & L2 Regularization
Dropout
Cross entropy loss function & softmax activation function
CNN - Convolutional Neural Network
CNN layers ,Conv2D, pooling, strides, padding, channels
Regression
melspectogram
Data augmentation
Batch Normalization
Functional API
Checkpoints and Callbacks
Transfer learning
Feature extractions
What You Will Learn!
- מטרת הקורס היא לבנות מודלים של רשתות נוירונים בעזרת הספריות
- Tensorflow + Keras
- בקורס נראה מהי רשת נוירונים וכיצד היא בנויה.
- שני הפרקים הראשונים הם קצת יותר מאתגרים משאר הקורס בהם נלמד את הרקע המתמטי העומד מאחורי רשתות נורונים, על מנת לקבל הבנה עמוקה של נושא זה.
- במסגרת פרקים אלו נראה כיצד לבצע פעולות נדרשות במטריצות וכן נלמד את האלגוריתמים
- SGD- Stochastric Gradient Descent and Backpropagation
- בפרקים אלו ניצור רשת נוירונים בעזרת פיתון בלבד ללא עזרה של ספריות על מנת להפנים את העיקרון של עבודת רשתות נוירונים
- לאחר פרקים אלו נלמד כיצד לעבוד עם הספריות ובעזרתם ליצור רשת שתזהה אותיות כתב יד.
- נושאים נוספים שבהם נעסוק יהיו
- overfitting & hyperparameters
- Regularization
- Dropout
- Cross entropy loss function & softmax
- Grid search hyperparameters
- לאחר מכן נראה כיצד ליצור רשתות מבוססות קונבולוצי. נלמד את כל השכבות המרכיבות אותה ונראה כיצד לזהות קטגוריות של תמונות צבעוניות
- נושא נוסף שנראה הוא כיצד ליצור רשת לחישוב רגרסיה שבעזרת נבצע הערכת שווי של בתים על פי פרמטרים של גודל, שכונה וכו.
- נלמד כיצד לטפל בקובצי קול ואיך לזהות את סוג המוזיקה של הקובץ, אם הוא קובץ רוק או קלסי לדוגמא.
- נלמד כיצד לבנות רשתות מורכבות אם דילוגים על שכבות ומספר כניסות שמאחדים בעזרת
- Functional API
- לבסוף נראה כיצד להשתמש ברשתות קיימות שכבר מאומנות לצורך ספציפי בעזרת השיטות של
- Transfer learning + feature extractions
- במסגרת הקורס נראה דוגמאות פרקטיות רבות שכתובות בפיתון כך שבסיום הקורס יוכלו המשתתפים להגיע לרמה שבה יוכלו לפתח בעצמם רשתות לצורך פתרון בעיות בתחום
Who Should Attend!
- סטודנטים בעלי ידע בפיתון שמתעניינים בתחם של בינה מלאכותית ורוצים ללמוד בנית מודלים של רשתות נוירונים