Буткемп по TensorFlow для глубокого обучения

0 — Основы TensorFlow

• Введение в тензоры (создание тензоров)
• Получение информации из тензоров (атрибутов тензоров)
• Манипулирование тензорами (тензорные операции)
• Тензоры и NumPy
• Использование @tf.function (способ ускорить работу обычных функций Python)
• Использование графических процессоров с TensorFlow 1 — Регрессия с использованием нейронных сетей и TensorFlow
• Создавайте последовательные модели TensorFlow с несколькими слоями.
• Подготовьте данные для использования с моделью машинного обучения.
• Изучите различные компоненты, из которых состоит модель глубокого обучения (функция потерь, архитектура, функция оптимизации).
• Научитесь диагностировать задачу регрессии (прогнозирование числа) и создавать для нее нейронную сеть. 2 — Классификация с помощью нейронных сетей и TensorFlow
• Научитесь диагностировать проблемы классификации (предсказывать, является ли объект одним или другим).
• Создавайте, компилируйте и обучайте модели классификации машинного обучения с помощью TensorFlow.
• Создание и обучение моделей для бинарной и многоклассовой классификации.
• Постройте графики зависимости показателей эффективности моделирования друг от друга.
• Сопоставьте формы входных данных (форма обучающих данных) и выходных данных (целевые данные для прогнозирования). 3 — Компьютерное зрение и сверточные нейронные сети с использованием TensorFlow
• Создание сверточных нейронных сетей с использованием слоев Conv2D и пулинга.
• Узнайте, как диагностировать различные виды проблем компьютерного зрения.
• Научитесь создавать нейронные сети для компьютерного зрения.
• Узнайте, как использовать изображения из реального мира в моделях компьютерного зрения. 4 — Перенос обучения с использованием TensorFlow. Часть 1: Извлечение признаков.
• Узнайте, как использовать предварительно обученные модели для извлечения признаков из собственных данных.
• Узнайте, как использовать TensorFlow Hub для предварительно обученных моделей.
• Узнайте, как использовать TensorBoard для сравнения производительности нескольких различных моделей. 5 — Перенос обучения с TensorFlow. Часть 2: Тонкая настройка.
• Узнайте, как настроить и запустить несколько экспериментов по машинному обучению.
• Узнайте, как использовать аугментацию данных для повышения разнообразия обучающих данных.
• Узнайте, как доработать предварительно обученную модель под вашу собственную задачу.
• Узнайте, как использовать коллбэки для добавления функциональности вашей модели во время обучения. 6 — Перенос обучения с TensorFlow. Часть 3: Масштабирование (мини-проект Food Vision)
• Узнайте, как масштабировать существующую модель.
• Узнайте, как оценивать свои модели машинного обучения, выявляя наиболее ошибочные прогнозы.
• Превзошло оригинальную статью Food101, используя всего 10% данных. 7 — Этапный проект 1: Концепция питания
• Объедините все знания, полученные в предыдущих 6 блокнотах, чтобы создать Food Vision: модель компьютерного зрения, способную классифицировать 101 различный вид продуктов питания. Наша модель значительно превосходит оригинальную статью Food101. 8 — Основы обработки естественного языка в TensorFlow
• Предварительная обработка текста на естественном языке для использования с нейронной сетью.
• Создавайте векторные представления слов (числовые представления текста) с помощью TensorFlow.
• Создайте нейронные сети, способные к бинарной и многоклассовой классификации, используя: Рекуррентные нейронные сети (РНН), LSTM (ячейки долговременной кратковременной памяти), GRU (вентилируемые рекуррентные блоки), Сверточные нейронные сети
• Узнайте, как оценивать ваши модели обработки естественного языка. 9 — Проект-этап 2: SkimLit
• Воспроизвести модель, лежащую в основе статьи, опубликованной в PubMed и набравшей 200 000 подписчиков, для классификации различных последовательностей в медицинских аннотациях PubMed (что может помочь исследователям быстрее просматривать медицинские аннотации). 10 — Основы анализа временных рядов в TensorFlow
• Узнайте, как диагностировать проблемы с временными рядами (построение модели для прогнозирования на основе данных за определенный период времени, например, прогнозирование цены акций AAPL на завтра).
• Подготовка данных для нейронных сетей, работающих с временными рядами (признаки и метки).
• Понимание и использование различных методов оценки временных рядов. MAE — средняя абсолютная ошибка
• Создавайте модели прогнозирования временных рядов с помощью TensorFlow. Рекуррентные нейронные сети (РНН), Сверточные нейронные сети (CNN) 11 — Проект-веха 3: (Сюрприз)
• Если вы дочитали до этого места, значит, вас, вероятно, заинтересовал курс. Этот последний проект будет хорошим... мы вам обещаем, так что увидимся на курсе