Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot Deep Learning
- Wat is deep learning en hoe verschilt dit van traditionele machine learning?
- Toepassingen in de praktijk: computer vision, NLP en meer.
- Overzicht van het ecosysteem voor deep learning: TensorFlow 2.x, Keras en PyTorch.
- Een GPU-versnelde ontwikkelomgeving instellen.
Het werkingsmechanisme van Deep Learning
- Artificiële neuronen, activatiefuncties en netwerklaagjes.
- Voorwaartse propagatie en het berekenen van voorspellingen.
- Verliesfuncties voor classificatie- en regressietaken.
- Gradient descent-optimalisatie en backpropagation.
- Eerst neurale netwerk trainen op de MNIST-dataset.
Convolutionele Neurale Netwerken voor Computer Vision
- Convolutions, filters en feature maps begrijpen.
- Pooling-laagjes en vermindering van de dimensie (dimensionality reduction).
- CNN-architecturen: de concepten van LeNet, VGG en ResNet.
- Een CNN bouwen en trainen voor image classifiëring.
- Gelerde features en tussenliggende activaties visualiseren.
Data Augmentation en het verbeteren van de modelnauwkeurigheid
- Waarom data augmentation overfitting tegengaat en generalisatie verbetert.
- Afbeeldingstransformaties: draaien, spiegelen, inzoomen en bijsnijden.
- Augmentatiepijplijnen implementeren met Keras-preprocessing-lagen.
- Dropout, batchnormalisatie en andere regularisatietechnieken.
- Training bewaken via validatiemetingen en early stopping.
Transfer Learning met Voorgeleerde Modellen
- Transfer learning begrijpen en waarom het werkt.
- Voorgetrainde modellen laden uit Keras Applications (ResNet, EfficientNet, MobileNet).
- Feature-extractie: de basislagen bevriezen en nieuwe klassificatoren trainen.
- Fine-tuning: geselecteerde lagen onbevriezen voor domain adaptation.
- Hoge nauwkeurigheid bereiken met beperkte trainingsdata.
Recurrente Netwerken en Sequentiemodelering
- Inleiding tot sequentiële data en temporele afhankelijkheden.
- Recurrente neurale netwerken (RNN's) en het probleem van vervagende gradients (vanishing gradient).
- LSTM- en GRU-cellen voor langdurige afhankelijkheden.
- Een tekstgeneratiemodel op tekenbasis trainen.
- Woordembeddings en de Embedding-laag in Keras.
Grondslagen van Natural Language Processing (NLP)
- Tekstvoorverwerking: tokenisering, padding en het opbouwen van een vocabulaire.
- Een tekstclassificatiemodel bouwen met RNN's en LSTMs.
- Sequence-to-sequence-modellen voor machinevertalingen: concepten.
- Aandachtsmechanismen (attention mechanisms) en hun rol in modern NLP.
- Praktisch NLP met de tekstverwerkings-API's van TensorFlow 2.x.
Eindproject: Image Captioning
- Computer vision en NLP combineren in een multimodale architectuur.
- Afbeeldingsfeatures extraheren met een voorgeleerde CNN-coder (encoder).
- Een LSTM-decoder bouwen voor het genereren van bijschriften.
- Meerdere invoerlagen beheren in de Keras functional API.
- De end-to-end-captioningpijplijn trainen en evalueren.
Volgende stappen en resources
- Getrainde modellen inzetten met TensorFlow Serving.
- Transformer-architecturen en grote taalmotieven (large language models) verkennen.
- Geavanceerde workshops en certificeringspaden van NVIDIA DLI.
- Communityresources, datasets en projectideeën.
Vereisten
- Basisvaardigheden in Python (functies, loops, woordenboeken en arrays).
- Kennis van programmeerconcepten zoals variabelen, voorwaarden en datastructuren.
- Er is geen voorkennis op het gebied van deep learning of machine learning vereist.
Doelgroep
- Softwareontwikkelaars en -ingenieurs die overstappen naar AI en machine learning.
- Data-analisten en data scientists die hun vaardigheden op het gebied van deep learning willen uitbreiden.
- Technische professionals die neurale netwerkmotieven willen begrijpen en toepassen.
- Studenten en onderzoekers die beginnen met deep learning.
8 Uren
Getuigenissen (2)
De aanpassing van de exos aan onze context en het meenemen van onze vraag
Amel Guetat - EURO-INFORMATION DEVELOPPEMENTS
Cursus - Fraud Detection with Python and TensorFlow
Automatisch vertaald
De training was goed georganiseerd en uitgewerkt, waardoor ik er een gestructureerde kennis van heb opgedaan en een goed overzicht krijg van de onderwerpen die we hebben besproken.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Cursus - Deep Learning with TensorFlow 2
Automatisch vertaald
