دوره آموزشی کارگاه هوش مصنوعی: کار با GAN ها با استفاده از شبکه های عصبی متراکم (2023)
1 ساعت 25 دقیقهمتوسط2023-12-08
مدرسین
Janani Ravi
Certified Google Cloud Architect and Data Engineer
جزئیات دوره
اگر به دنبال تمرین عملی هوش مصنوعی هستید، این دوره کدنویسی به سبک کارگاهی برای شما طراحی شده است. به مربی Janani Ravi بپیوندید تا به شما نحوه ایجاد و آموزش شبکه های متخاصم مولد (GAN) را نشان دهد. اجزای اصلی GAN ها از جمله نحوه راه اندازی محیط مجازی، اجرای سرور نوت بوک، نمونه سازی PyTorch Dataset، DataLoader و موارد دیگر را کاوش کنید. جانانی اصول آموزش مستقل دشمنان، آموزش GAN ها و تجسم نتایج را پوشش می دهد. در پایان این دوره، شما همچنین خواهید دانست که چگونه به مشکلات رایج مرتبط با GAN ها رسیدگی کنید و آنها را به طور موثر در طول فرآیند آموزشی کاهش دهید.
مهارت ها
Neural Networks and Deep LearningGenerative AIArtificial Intelligence (AI)One-Off
سرفصل ها
مقدمه
- درک مدل سازی مولد
معرفی شبکههای متخاصم مولد
- رئوس مطالب و پیش نیازهای دوره
- محیط مجازی را راهاندازی کرده و سرور نوت بوک را اجرا کنید
- معرفی شبکههای متخاصم مولد (GAN)
- نمونه سازی مجموعه داده و بارگذار داده
- مشاهده دادههای آموزشی
آموزش به تنهایی دشمنان
- نمای کلی تصویر بزرگ از GAN
- آموزش دشمنان
- معماری ژنراتور و معماری تفکیک کننده
- شناخت خروجیهای مولد و تفکیک کننده
- آموزش مستقل ممیز به عنوان مدل طبقه بندی
- آموزش مستقل ژنراتور
آموزش شبکههای متخاصم مولد
- محاسبه تلفات برای مولد و ممیز
- درک تابع کمینه تلفات
- راهاندازی آموزش GAN
- تجسم نتایج آموزش GAN
- مشکلات GANها و کاهش احتمالی
نتیجه
- خلاصه و مراحل بعدی
دوره های مرتبط
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی کارگاه هوش مصنوعی: ساخت شبکه عصبی با PyTorch Lightning
- دوره آموزشی کارگاه هوش مصنوعی: تمرین عملی با GANها با استفاده از شبکههای کانولوشنال عمیق
- دوره آموزشی معرفی عملی مدلهای ترنسفورمر برای بینایی کامپیوتری
- دوره آموزشی اصول هوش مصنوعی چندرسانهای: ترکیب متن، تصویر و صدا برای برنامههای نسل بعدی هوش مصنوعی
- دوره آموزشی یادگیری عمیق با پایتون: شبکههای عصبی کانولوشنی
- دوره آموزشی هوش مصنوعی عملی: پردازش تصویر با پایتون
- دوره آموزشی یادگیری عمیق و بینایی ماشین: شناسایی اشیاء با استفاده از PyTorch