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:

1. Стекла для окон
2. Стекла для окон без плавления
3. Стекла для транспортных средств с плавлением
4. Стекла для транспортных средств без плавления (отсутствующие в наборе данных)
5. Контейнеры
6. Посуда
7. 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.