Neurónové siete a machine learning pre text a obrázky
- Level
- Kapitol
- 69
- Kategória
- Programovanie
- Hodnotenie
- 5,0 z 5
- Dĺžka
- 6h 41min
- Jazyk
- SK
Popis online kurzu Neurónové siete a Machine Learning pre text a obrázky
Tento online kurz slúži ako vstupná brána do sveta neurónových sietí, spracovania obrázkov a textu pomocou machine learningu. Naučíte sa, čo sú neurónové siete, ako vznikli, ako fungujú a ako sa trénujú. Na konci kurzu budete vedieť vytrénovať vlastnú neurónovú sieť pomocou knižnice scikit-learn.
Neurónové siete sú často používané pri počítačovom videní a spracovaní prirodzeného jazyka. Naučíte sa ako s obrázkami pracovať pomocou knižnice openCV. Pochopíte myšlienku za konvolučnou neurónovou sieťou, ktorá je využívaná na spracovanie obrázkov.
Vďaka tomuto kurzu budete schopní pracovať aj na projektoch, kde sú vstupnými dátami text. Ukážeme si ako prekonvertovať text na čísla, s ktorými dokážu modely strojového učenia pracovať. Na konci kurzu budete vedieť aplikovať v praxi veľmi často používané modely pre textové dáta ako je napríklad TF-IDF.
Vieme, že najlepšie sa človek naučí nové zručnosti ich praktizovaním, a preto je pre vás pripravených 6 praktických programovacích cvičení v Jupyter notebookoch s úlohami a vysvetleniami jednotlivých konceptov.
Čo sa v kurze Neurónové siete a machine learning pre text a obrázky naučíte?
Celkový obsah kurzu je 6 hodín. Prostredie, v ktorom budete počas kurzu programovať sa nazýva Jupyter notebook s Pythonom. Nižšie je uvedený zoznam oblastí, ktorým sa v kurze venujeme:
- “Úvod do neurónových sietí”: Naučíte sa, čo sú neurónové siete, ako vznikli, ako fungujú a čo ich robí jedinečnými. Pozrieme sa na podobnosť medzi neurónovými sieťami strojového učenia a biologickými neurónovými sieťami.
- “Perceptrón”: Začneme modelom najjednoduchšej neurónovej siete, nazývanej perceptrón. Ukážeme si, čo dokáže takýto model zvládnuť a v čom sú jeho nedostatky.
- “Viacvrstvový perceptrón”: Prejdeme k hlavnému typu neurónových sietí, ktorým je viacvrstvový perceptrón. Naučíte sa jeho jednotlivé najdôležitejšie komponenty: vrstvy, neuróny, váhy, aktivačné funkcie.
- “Tréning neurónových sietí”: Pochopíte myšlienku trénovania neurónových sietí. Začneme perceptrónom a potom prejdeme na tréning viacvrstvového perceptrónu. Zostavíte a natrénujete neurónové siete v scikit-learn knižnici
- “Typy neurónových sietí a knižnice”: Zoznámite sa s 3 hlavnými typmi neurónových sietí a knižnicami na v ktorých ich viete natrénovať.
- “Úvod do počítačového videnia”: Dozviete sa ako vzniklo počítačové videnie a aké sú jeho využitia. Ukážeme si súvislosť medzi ľudským a počítačovým videním.
- “Konvolúcia”: Pochopíte hlavnú myšlienku za modelmi počítačového videnia, ktorá sa nazýva konvolúcia. Ukážeme si príklad jej výpočtu na čiernobielych a farebných obrázkoch.
- “Ako vidia počítače obrázky”: Zoznámite sa s tým, z čoho pozostávajú obrázky a ako ich vidia počítače.
- “Konvolučná neurónová sieť”: Naučíte sa z čoho pozostáva konvolučná neurónová sieť. Je to model, ktorý sa používa v praxi na problémy, kde sú vstupom obrázky. Ukážeme si, čo sú jej parametre a pochopíte ako natrénovať klasifikačný model pre obrázky.
- “Úvod do spracovania prirodzeného jazyka”: Dozviete sa, o čom je spracovanie prirodzeného jazyka a aké sú jeho využitia.
- “Práca s textovými dátami a ich úprava”: Predtým ako použijeme modely na spracovanie prirodzeného jazyka, je častokrát potrebné text predspracovať. V tejto časti sa dozviete, aké úpravy sa zvyčajne s textom robia.
- “Premena z textu na čísla”: Naučíte sa ako a prečo potrebujeme premeniť text na čísla. Zároveň sa naučíme výrazy, ktoré sa používajú v súvislosti so spracovaním prirodzeného jazyka.
- “Bag of Words”: Začneme modelom na riešenie problémov s textom nazývaným Bag of Words. Vysvetlíme si jeho obmeny, výhody a nevýhody.
- “TF-IDF”: Pokračujeme modelom, TF-IDF, ktorý sa často používa v praxi, napríklad na kategorizovanie textu. Po krokoch sa naučíte ako tento model funguje.
Pre koho je kurz Neurónové siete a machine learning pre text a obrázky vhodný?
Kurz je vhodný pre úplných začiatočníkov, ktorí už niečo o machine learningu vedia a chcú si rozšíriť obzory o neurónové siete a spracovanie obrázkov a textu pomocou machine learning. Ak o machine learning ešte znalosti nemáte, odporúčame si najprv prejsť náš kurz s názvom “Machine Learning v Pythone”, v ktorom získate potrebné zručnosti a schopnosti v tejto oblasti.
Čo po kurze dokážete a čo si odnesiete?
- Praktické skúsenosti so spracovaním obrázkov a textov pomocou modelov strojového učenia (machine learning).
Má kurz Neurónové siete a machine learning pre text a obrázky vstupné požiadavky?
Pre úspešné absolvovanie tohto kurzu sa, prosím, uistite, že spĺňate nasledujúce požiadavky:
- schopnosť pracovať s Jupyter Notebookmi,
- predchádzajúca skúsenosť s Pythonom, najmä skúsenosť s knižnicou scikit-learn,
- základná konceptuálna znalosť strojového učenia (machine learning).
Čo je potrebné na absolvovanie kurzu?
- Základná znalosť angličtiny: Minimálne pasívna znalosť na úrovni čítania textu keďže pre knižnice, o ktorých sa budeme učiť sú vytvorené dokumentácie v anglickom jazyku. Všetky video tutoriály sú však v slovenskom jazyku.
- Stabilné internetové pripojenie. Pre sledovanie video lekcií či prácu na cvičeniach je internetové pripojenie neustále potrebné.
- Aktualizovaný internetový prehliadač Google Chrome, Microsoft Edge alebo Mozilla Firefox.
- (odporúčané) Google účet. S Jupyter notebookmi odporúčame pracovať v prostredí Google Colaboratory. V prípade, že Google účet nemáte a ani si ho nechcete zakladať, bude k dispozícii druhá alternatíva na lokálnu prácu s Jupyter notebookmi.
Čo všetko s kurzom Neurónové siete a machine learning pre text a obrázky získate
- 6 Jupyter notebookov, v ktorých si nielen prakticky vyskúšate jednotlivé koncepty, ale môžete ich používať ako osobnú referenciu vo vašom (budúcom) zamestnaní,
- video tutoriály o Neurónových sieťach a Machine Learning pre text a obrázky,
- moderované diskusné fórum, v ktorom na vaše otázky odpovedá autor kurzu Róbert Barcík,
- certifikát o absolvovaní online kurzu Neurónové siete a Machine Learning pre text a obrázky
- garancia vrátenia peňazí do 14 dní v prípade nespokojnosti s kurzom.
Kapitoly online kurzu
Vitajte v kurze! (2)
O tomto kurze
1:41
Materiály na stiahnutie
1. Neurónové siete (1)
Vitajte v časti "Neurónové siete"
3:40
2. Úvod do neurónových sietí (3)
Čo odlišuje neurónové siete od ostatných algoritmov?
3:52
Príklad vytvárania atribútov
8:17
Motivácia z prírody
5:44
3. Perceptrón (2)
Logistická regresia - neurónová sieť?
8:38
Limitácie perceptrónu
10:53
4. Viacvrstvový perceptrón (9)
Motivácia
5:17
Architektúra
5:33
Vrstvy, parametre a hyperparametre
5:16
Aktivačné funkcie v skrytých vrstvách
3:54
Aktivačné funkcie - interaktívne rozhranie
8:16
Typy aktivačných funkcií
6:03
Aktivačné funkcie vo výstupnej vrstve pre regresiu
9:49
Aktivačné funkcie vo výstupnej vrstve pre klasifikáciu
8:36
Je neurónová sieť čiernou skrinkou?
8:05
5. Pravidlo pre trénovanie perceptrónu (2)
Trénovanie jednovrstvového perceptrónu
9:17
Príklad trénovania jednovrstvového perceptrónu
10:43
6. Trénovanie viacvrstvového perceptrónu (6)
Dopredný chod
7:16
Spätný chod
10:08
Príklad: dopredný chod
6:40
Príklad: spätný chod - výpočet gradientu v poslednej vrstve
7:10
Príklad: spätný chod - výpočet gradientu v skorších vrstvách
8:49
Príklad: spätný chod - aktualizácia váh
5:21
7. Typy a knižnice neurónových sietí (2)
Typy neurónových sietí
9:20
Knižnice pre neurónové siete
2:19
8. Počítačové videnie (1)
Vitajte v časti "Počítačové videnie"
3:36
9. Úvod do počítačového videnia (5)
Príklady použitia počítačového videnia 1
5:47
Príklady použitia počítačového videnia 2
6:09
Hlavné typy problémov počítačového videnia
3:35
Ľudské vs počítačové videnie
6:40
Prečo nie skôr?
4:07
10. Konvolúcia (8)
Intuícia konvolúcie
7:26
Volume
5:27
Filtre
6:32
Konvolúcia na čiernobielom obrázku
13:08
Konvolúcia na farebnom obrázku/volume
8:55
Výpočet konvolúcie na farebnom obrázku/volume
7:54
Farebné vs čiernobiele vstupy
5:02
Vyskúšajte si konvolúciu v Exceli
11. Konvolučná neurónová sieť (4)
Parametre konvolučnej neurónovej siete
6:26
Vlastné filtre
4:15
Ako použiť iný model
8:20
Klasifikácia obrázkov
2:34
12. Spracovanie prirodzeného jazyka (1)
Vitajte v časti "Spracovanie prirodzeného jazyka"
2:15
13. Úvod do spracovania prirodzeného jazyka (9)
Čo je spracovanie prirodzeného jazyka
5:59
Prečo spracovanie prirodzeného jazyka? Neštruktúrované dáta
3:05
Typy neštruktúrovaných dát
4:32
Prečo spracovanie prirodzeného jazyka? Prepoužiteľnosť
1:53
Použitia - chatbot
5:06
Použitia - ďalšie aplikácie
5:10
Terminológia
4:24
Od textu k číslam
3:57
14. Predspracovanie textu (5)
Úvod do predspracovania textu
3:55
Knižnice
2:57
Tokenizácia
6:06
Stop-slová
4:41
Stemming a lematizácia
5:36
15. Bag of Words (5)
Algoritmus Bag of Words
6:49
Bag of Words modifikácie
7:21
Slová mimo slovníka
3:31
Nevýhody Bag of Words 1
6:39
Nevýhody Bag of Words 2
4:42
16. TF-IDF (3)
Motivácia TF-IDF
5:37
Výpočet TF-IDF
7:46
Normalizácia TF-IDF
6:24
Diskusia a hodnotenie (1)
Diskusia a hodnotenie
1:29
Lektor online kurzu
5,0
Hodnotenie
12
Kurzov
Hodnotenia študentov
Hodnotenia od študentov zapísaných v kurze na Skillmea.
5,0 z 5
· 4 hodnotenia
Anton K.
5
Velmi podrobne vytvorene
Juraj M.
5
Študent ohodnotil kurz bez slovného komentára.
Marieta P.
5
Študent ohodnotil kurz bez slovného komentára.
Lukáš V.
5
Študent ohodnotil kurz bez slovného komentára.
