Неделя возврата к основам 4 Продвинутые темы и развертывание
Неделя возврата к основам 4 продвинутые темы и развертывание
Присоединяйтесь к VoAGI с нашим путем “Возврат к основам”, чтобы начать новую карьеру или освежить свои навыки в области науки о данных. Путь “Возврат к основам” разбит на 4 недели с бонусной неделей. Мы надеемся, что вы сможете использовать эти блоги в качестве руководства курса.
Если вы еще не прочитали, ознакомьтесь с:
- Неделя 1: Основы программирования на Python и науки о данных
- Неделя 2: Базы данных, SQL, управление данными и статистические концепции
- Неделя 3: Возврат к основам. Неделя 3: Введение в машинное обучение
Переходя к третьей неделе, мы углубимся в продвинутые темы и развертывание.
- Откройте мощь аналитики с д-ром Свати Джайн
- Почему гип о важен Практическое мышление о искусственном интеллекте
- Подготовка к изменению климата с помощью помощника ИИ
- День 1: Исследование нейронных сетей
- День 2: Введение в библиотеки глубокого обучения: PyTorch и Lightening AI
- День 3: Начинаем работать с PyTorch за 5 шагов
- День 4: Построение сверточной нейронной сети с использованием PyTorch
- День 5: Введение в обработку естественного языка
- День 6: Развертывание вашей первой модели машинного обучения
- День 7: Введение в облачные вычисления для науки о данных
Исследование нейронных сетей
Неделя 4 – Часть 1: Исследование нейронных сетей
Разблокируйте силу искусственного интеллекта: руководство по нейронным сетям и их применению.
Представьте себе машину, которая мыслит, учится и приспосабливается, подобно человеческому мозгу, и обнаруживает скрытые закономерности в данных.
Технология нейронных сетей (НН) – алгоритмы, имитирующие познание. Мы рассмотрим, что такое НН и как они функционируют позже.
В этой статье я объясню вам основные аспекты нейронных сетей (НН) – структуру, типы, применение в реальной жизни и ключевые термины, определяющие их работу.
Введение в библиотеки глубокого обучения: PyTorch и Lightening AI
Неделя 4 – Часть 2: Введение в библиотеки глубокого обучения: PyTorch и Lightning AI
Простое объяснение PyTorch и Lightning AI.
Глубокое обучение – это раздел модели машинного обучения на основе нейронных сетей. В других моделях машинного обучения обработка данных для поиска значимых признаков часто выполняется вручную или полагается на экспертное знание в области; однако глубокое обучение может имитировать человеческий мозг для обнаружения существенных признаков, что повышает производительность модели.
Глубокое обучение имеет множество приложений, включая распознавание лиц, обнаружение мошенничества, преобразование речи в текст, генерацию текста и многие другие. Глубокое обучение стало стандартным подходом во многих передовых приложениях машинного обучения, и мы ничего не теряем, изучая его.
Для разработки моделей глубокого обучения можно полагаться на различные библиотеки фреймворков, вместо того чтобы начинать все с нуля. В этой статье мы обсудим две разные библиотеки, которые можно использовать для разработки моделей глубокого обучения: PyTorch и Lightning AI.
Начало работы с PyTorch за 5 шагов
Неделя 4 – Часть 3: Начало работы с PyTorch за 5 шагов
Этот учебник представляет подробное введение в машинное обучение с использованием PyTorch и его обертки высокого уровня, PyTorch Lightning. Статья охватывает основные шаги от установки до продвинутых тем, предлагая практический подход к созданию и обучению нейронных сетей и подчеркивая преимущества использования Lightning.
PyTorch – это популярный открытый фреймворк машинного обучения, основанный на языке Python и оптимизированный для ускоренных вычислений с помощью графических процессоров. Как оригинально разработанный Meta AI в 2016 году и сейчас являющийся частью Linux Foundation, PyTorch быстро стал одним из самых широко используемых фреймворков для исследований и применений в области глубокого обучения.
PyTorch Lightning – это легкий оболочка, созданная поверх PyTorch, которая дополнительно упрощает процесс работы и разработки моделей исследователя. С Lightning, данные ученые могут сосредоточиться больше на проектировании моделей, а не на написании избыточного кода.
Построение сверточной нейронной сети с использованием PyTorch
Неделя 4 – Часть 4: Построение сверточной нейронной сети с использованием PyTorch
Эта статья в блоге предоставляет учебное пособие по созданию сверточной нейронной сети для классификации изображений в PyTorch с использованием сверточных и пулинговых слоев для извлечения признаков, а также полносвязанных слоев для прогнозирования.
Сверточная нейронная сеть (CNN или ConvNet) – это алгоритм глубокого обучения, специально разработанный для задач, где распознавание объектов критично, например, классификация, обнаружение и сегментация изображений. CNN способна достигать современной точности на сложных задачах компьютерного зрения, обеспечивая множество реальных применений, таких как системы наблюдения, управление складом и другие.
Как люди, мы легко распознаем объекты на изображениях, анализируя их образцы, формы и цвета. CNN может быть обучена выполнять этот распознавание, изучая, какие образцы важны для различения. Например, при попытке отличить фотографию кошки от фотографии собаки, наш мозг сосредотачивается на уникальной форме, текстурах и чертах лица. CNN учится обращать внимание на такие же типы характеристик, отличающие их. Даже для очень детализированных задач категоризации, CNN может изучать сложные представления признаков непосредственно из пикселей.
Введение в обработку естественного языка
Неделя 4 – Часть 5: Введение в обработку естественного языка
Обзор обработки естественного языка (NLP) и ее применений.
Мы много узнали о ChatGPT и крупных языковых моделях (LLM). Обработка естественного языка стала интересной темой, которая в настоящее время завоевывает мир искусственного интеллекта и технологий. Да, LLM, такие как ChatGPT, способствовали их развитию, но не будет ли хорошо понять, откуда все это появилось? Итак, давайте вернемся к основам – NLP.
NLP является подобластью искусственного интеллекта и представляет собой способность компьютера обнаруживать и понимать человеческий язык через речь и текст так же, как мы люди это делаем. NLP помогает моделям обрабатывать, понимать и формировать человеческий язык.
Цель NLP заключается в преодолении коммуникационной пропасти между человеками и компьютерами. Модели NLP обычно обучают задачам, таким как предсказание следующего слова, что позволяет им строить контекстные зависимости и затем генерировать соответствующие выходные данные.
Развертывание вашей первой модели машинного обучения
Неделя 4 – Часть 6: Развертывание вашей первой модели машинного обучения
С помощью всего 3 простых шагов вы можете создать и развернуть модель классификации стекла быстрее, чем можно сказать…модель классификации стекла!
В этом руководстве мы научимся создавать простую модель многоклассовой классификации на основе набора данных Glass Classification. Нашей целью является разработка и развертывание веб-приложения, способного предсказывать различные типы стекла, такие как:
- Стекла для окон
- Стекла для окон без плавления
- Стекла для транспортных средств с плавлением
- Стекла для транспортных средств без плавления (отсутствующие в наборе данных)
- Контейнеры
- Посуда
- Фары автомобилей
Кроме того, мы узнаем о:
- Skops: Делитесь моделями, основанными на scikit-learn, и приводите их в производство.
- Gradio: Фреймворк веб-приложений для машинного обучения.
- HuggingFace Spaces: бесплатная платформа размещения моделей и приложений машинного обучения.
К концу этого урока у вас будет практический опыт создания, обучения и развертывания базовой модели машинного обучения в виде веб-приложения.
Введение в облачные вычисления для Data Science
Неделя 4 – Часть 7: Введение в облачные вычисления для Data Science
И сила дуэта современных технологий.
В современном мире две основные силы стали изменителями игры: Data Science и облачные вычисления.
Представьте мир, в котором каждую секунду создается огромное количество данных. Ну, вы не должны представлять… Это наш мир!
От взаимодействий в социальных сетях до финансовых транзакций, от медицинских записей до предпочтений в электронной коммерции, данные повсюду.
Но в чем смысл этих данных, если мы не можем получить от них ценность? Именно это делает Data Science.
А где мы храним, обрабатываем и анализируем эти данные? Именно здесь блещут облачные вычисления.
Погрузимся в путешествие, чтобы понять взаимосвязь между этими двумя технологическими чудесами. Давайте (попробуем) открыть это все вместе!
Выводы
Поздравляем с завершением 4-й недели!!
Команда VoAGI надеется, что путь “Back to Basics” предоставил читателям всеобъемлющий и структурированный подход к основам Data Science.
Бонусная неделя будет опубликована на следующей неделе в понедельник – следите за обновлениями!
****[Ниша Арья](https://www.linkedin.com/in/nisha-arya-ahmed/)**** – Data Scientist и фрилансер по техническому письму. Она особенно заинтересована в предоставлении советов и учебных материалов о карьере в Data Science и теоретических знаниях о Data Science. Она также хочет изучить разные способы, которыми искусственный интеллект может помочь продлить человеческую жизнь. Она стремится расширить свои технические знания и навыки письма, помогая при этом другим людям.