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 diep leren
- Wat is diep leren en waarin verschilt dit van klassieke machine learning
- Praktische toepassingen op het gebied van computervisie, NLP en daarbuiten
- Overzicht van de diep leer-ecosysteem: TensorFlow 2.x, Keras en PyTorch
- Het instellen van een GPU-versnelde ontwikkelomgeving
De werking van diep leren
- Artificiële neuronen, activeringsfuncties en netwerklagen
- Voorwaartse propagatie en het berekenen van voorspellingen
- Verliesfuncties voor classificatie- en regressietaken
- Optimalisatie door stochastische afgeleiden en backpropagatie
- Het trainen van je eerste neuronale netwerk op het MNIST-datasetje
Convolutionele neurale netwerken voor computervisie
- Begrijpen van convoluties, filters en feature maps
- Pooling-lagen en het reduceren van dimensies
- Architecturen van CNN’s: begrippen rond LeNet, VGG en ResNet
- Een CNN bouwen en trainen voor beeldclassificatie
- Het visualiseren van geleerde kenmerken en tussenliggende activaties
Datumaugmentatie en het verbeteren van modelnauwkeurigheid
- Waarom datumaugmentatie overfitting voorkomt en de generaliseerbaarheid verhoogt
- Afbeeldingsmanipulaties: roteren, spiegelen, inzoomen en bijsnijden
- Het implementeren van augmentatiepijplijnen met Keras preprocessing layers
- Dropout, batchnormalisatie en andere regularisatiemethoden
- Controleren van het trainingsproces aan de hand van validatiewaarden en vroegtijdige stopkering
Transfer learning met vooraf getrainde modellen
- Wat is transfer learning en waarom werkt dit zo goed?
- Het importeren van vooraf getrainde modellen via Keras Applications (ResNet, EfficientNet, MobileNet)
- Feature extraction: basislagen bevriezen en nieuwe classificators trainen
- Fijnafstemmen: selectief onbevroren lagen aanpassen voor specifieke domeinen
- Hoge nauwkeurigheid behalen met slechts beperkte hoeveelheden trainingdata
Recurrente netwerken en sequentiemodellering
- Inleiding tot sequentiële data en tijdsafhankelijke patronen
- Recurrente neurale netwerken (RNN’s) en het probleem van afnemegradienten
- LSTM- en GRU-elementen voor het hanteren van langdurige relaties in data
- Een karakterniveau tekstgeneratie-model trainen
- Word embeddings en de Embedding-laag in Keras gebruiken
Grondbeginselen van natuurlijke taalverwerking
- Tekstvoorbereiding: tokeniseren, padding en het samenstellen van een woordenboek
- Een tekstclassificator bouwen met RNN’s en LSTM’s
- Sequence-to-sequence-modellen voor begrippen binnen machinevertaling
- Attention-mechanismen en hun rol in moderne NLP-technieken
- Praktische toepassing van NLP met de TensorFlow 2.x tekstverwerkings-API’s
Eindproject: Afbeeldingsbeschrijvingen maken
- Computervisie en NLP combineren in een multimodale architectuur
- Afbeeldingkenmerken extraheren met behulp van een vooraf getrainde CNN-coderator
- Een LSTM-gebaseerde decoder ontwikkelen om automatische beschrijvingen te genereren
- Omgaan met meerdere invoerlagen via de Keras functional API
- Het trainen en evalueren van het volledige systeem voor afbeeldingsbeschrijvingen
Volgende stappen en hulpmiddelen
- Het implementeren van getrainde modellen met TensorFlow Serving
- Kennismaken met transformer-architecturen en grote taalmodellen
- Avanced workshops en certificeringsmogelijkheden via NVIDIA DLI
- Community-resources, datasets en creatieve projectideeën
Vereisten
- Basisvaardigheden in Python-programmeren (functies, lussen, dictionaries en arrays)
- Kennis van algemene programmeerbegrippen zoals variabelen, voorwaarden en datastructuren
- Eerdere ervaring met diep leren of machine learning is niet vereist
Doelgroep
- Softwareontwikkelaars en -ingenieurs die willen overstappen op kunstmatige intelligentie en machine learning
- Data-analysten en datawetenschappers die hun kennis van diep leren willen uitbreiden
- Tech-professionals die neural netwerken willen begrijpen en toepassen in praktijkscenario’s
- Studenten en onderzoekers die voor het eerst kennis maken met diep leren
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
