enthalten
Dieser Kurs f眉hrt von grundlegenden Konzepten des maschinellen Lernens zu komplexeren Modellen und Techniken des Deep Learning mit PyTorch.
Dieser umfassende Kurs deckt Techniken wie Softmax-Regression, flache und tiefe neuronale Netze und spezielle Architekturen, wie z. B. Faltungsneuronale Netze, ab. In diesem Kurs werden Sie die Softmax-Regression erforschen und ihre Anwendung bei Klassifizierungsproblemen mit mehreren Klassen verstehen. Sie werden lernen, ein neuronales Netzwerkmodell zu trainieren und sich mit Overfitting und Underfitting, neuronalen Netzwerken mit mehreren Klassen, Backpropagation und verschwindendem Gradienten besch盲ftigen. Sie werden Sigmoid-, Tanh- und Relu-Aktivierungsfunktionen in Pytorch implementieren. Dar眉ber hinaus werden Sie tiefe neuronale Netze in Pytorch unter Verwendung der nn-Modulliste und neuronale Netze mit Faltung und mehreren Eingangs- und Ausgangskan盲len erkunden. Sie werden an praktischen 脺bungen teilnehmen, um diese fortgeschrittenen Techniken zu verstehen und effektiv zu implementieren. Dar眉ber hinaus werden Sie am Ende des Kurses wertvolle Erfahrungen in einem Abschlussprojekt 眉ber ein Faltungsneuronales Netzwerk (CNN) mit PyTorch sammeln. Dieser Kurs ist 蹿眉谤 alle angehenden KI-Ingenieure geeignet, die fortgeschrittene Kenntnisse 眉ber Deep Learning mit PyTorch erwerben m枚chten. Er erfordert einige Grundkenntnisse der Python-Programmierung und grundlegende mathematische Konzepte wie Gradienten und Matrizen.
