Návrh Školení

Introduction to Transfer Learning

  • Co je přenosové učení?
  • Klíčové výhody a omezení
  • Jak se přenosové učení liší od tradičního strojového učení

Porozumění předem vyškoleným modelům

  • Přehled oblíbených předtrénovaných modelů (např. ResNet, BERT)
  • Modelové architektury a jejich klíčové vlastnosti
  • Aplikace předtrénovaných modelů napříč doménami

Jemné doladění předem vyškolených modelů

  • Porozumění extrakci funkcí vs doladění
  • Techniky pro efektivní jemné ladění
  • Vyvarujte se přemontování během jemného ladění

Přenést učení do Natural Language Processing (NLP)

  • Přizpůsobení jazykových modelů pro vlastní úlohy NLP
  • Použití Hugging Face Transformers pro NLP
  • Případová studie: Analýza sentimentu s přenosovým učením

Přenést učení do Computer Vision

  • Přizpůsobení předem trénovaných modelů vidění
  • Použití přenosového učení pro detekci a klasifikaci objektů
  • Případová studie: Klasifikace obrazu s přenosovým učením

Praktická cvičení

  • Načítání a používání předem vycvičených modelů
  • Jemné doladění předem trénovaného modelu pro konkrétní úkol
  • Vyhodnocování výkonu modelu a zlepšování výsledků

Aplikace transferového učení v reálném světě

  • Aplikace ve zdravotnictví, financích a maloobchodě
  • Úspěšné příběhy a případové studie
  • Budoucí trendy a výzvy v transferovém učení

Shrnutí a další kroky

Požadavky

  • Základní porozumění konceptům strojového učení
  • Seznámení s neuronovými sítěmi a hlubokým učením
  • Zkušenosti s programováním Python

Publikum

  • Datoví vědci
  • Milovníci strojového učení
  • Profesionálové AI zkoumající techniky adaptace modelů
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie