دوره آموزشی یادگیری ماشینی خود نظارتی

جزئیات دوره

آیا شما یک برنامه نویس هستید که به امید جمع آوری اطلاعات بیشتر از داده هایی که در دسترس دارید، به دنبال گسترش مهارت های ساخت مدل خود هستید؟ این دوره به شما می آموزد که چگونه یادگیری ماشینی خود نظارت می تواند به شما کمک کند. مربی Janani Ravi به شما نشان می دهد که چگونه مدل های خود نظارتی کار می کنند و چگونه از مدل های خود نظارتی در یادگیری انتقال برای بهبود عملکرد کارهای پایین دستی مانند طبقه بندی تصویر استفاده کنید.

سرفصل ها

0. مقدمه

01 - پیش نیازهای دوره
02 - نیاز به یادگیری خود نظارتی
03 - یادگیری تحت نظارت، بدون نظارت و خود نظارتی
04 - ایجاد وظایف خود نظارتی
05 - بازنمایی های تعمیم یافته و وظایف بهانه

1. یادگیری خود نظارتی در بینایی کامپیوتر

06 - یادگیری خود نظارتی در بینایی کامپیوتر
07 - کار بهانه - پیش بینی چرخش تصویر
08 - کار بهانه - رنگ آمیزی تصویر
09 - کار بهانه - نقاشی تصویر
10 - تکلیف بهانه - موقعیت نسبی پیش بینی کننده
11 - کار بهانه - کار اره منبت کاری اره مویی
12 - کار بهانه - ویدئو
13 - کار بهانه - فیلم و صدا

2. تکنیک های یادگیری متضاد و غیر متضاد

14 - هدف از یادگیری خود نظارتی
15 - یادگیری متضاد و غیر متضاد
16 - یادگیری متضاد
17 - آموزش بازنمایی ثابت بهانه (PIRL)
18 - خوشه بندی
19 - تقطیر
20 - BYOL و SimSiam
21 - کاهش افزونگی - دوقلوهای بارلو

3. راه اندازی با محیط آزمایشی

22 - صاعقه و صاعقه PyTorch
23 - کاوش مجموعه داده گل ها
24 - استفاده از گوگل کولب

4. انتقال یادگیری با استفاده از پیشآموزش نظارت شده

25 - مروری کوتاه بر یادگیری انتقالی
26 - بارگذاری مجموعه داده های تصویر
27 - راه اندازی ماژول دیتا
28 - راه اندازی مدل طبقه بندی
29 - آموزش مدل طبقه بندی - ستون فقرات منجمد
30 - آموزش مدل طبقه بندی - ستون فقرات تنظیم دقیق

5. یادگیری متضاد خود نظارتی با SimCLR

31 - یادگیری متضاد - SimCLR
32 - بارگذاری مجموعه داده ها
33 - طبقه بندی تصاویر با استفاده از مدل از پیش آموزش دیده SimCLR

6. خوشه بندی خود نظارتی با SwAV

34 - یادگیری غیر متضاد - خوشه بندی با SwAV
35 - طبقه بندی تصاویر با استفاده از مدل از پیش آموزش دیده SwAV

نتیجه

36 - خلاصه و مراحل بعدی