Delavnica NVIDIA: Osnove globokega učenja
Kratek opis: Ta tečaj nudi praktičen uvod v globoko učenje, zmogljivo tehniko umetne inteligence, ki se uporablja v panogah, kot so zdravstvo, maloprodaja in avtomobilizem. Študenti se bodo naučili trenirati modele globokega učenja z uporabo orodij, kot je PyTorch, s poudarkom na ključnih konceptih, kot so konvolucijske nevronske mreže (CNN), povečevanje podatkov in prenos učenja. Skozi praktične vaje bodo udeleženci pridobili izkušnje pri gradnji modelov za klasifikacijo slik, obdelavo naravnega jezika ipd. Ob koncu tečaja boste pridobili veščine za reševanje projektov globokega učenja s sodobnimi okviri in pristopi.
Podrobnejši opis: Ta tečaj ponuja obsežen uvod v poglobljeno učenje, ključno tehnologijo, ki spodbuja napredek v panogah, kot so zdravstvo, maloprodaja in avtomobilizem. Globoko učenje uporablja večplastne nevronske mreže za reševanje kompleksnih nalog, kot so prepoznavanje slik, prevajanje jezikov in obdelava govora. Cilj tečaja je opremiti študente s temeljnimi veščinami, potrebnimi za usposabljanje in uvajanje modelov globokega učenja z uporabo sodobnih orodij, kot je PyTorch. S praktičnimi aplikacijami, ki segajo od zaznavanja predmetov do prilagojenih izkušenj, se boste naučili, kako uporabiti umetno inteligenco za težave v resničnem svetu.
Skozi tečaj boste raziskovali pomembne koncepte globokega učenja, kot so konvolucijske nevronske mreže (CNN), povečanje podatkov in prenos učenja. Te tehnike so bistvene za izboljšanje natančnosti in učinkovitosti modela, zlasti pri delu z velikimi, zapletenimi nabori podatkov. Kurikulum zajema tudi uporabo vnaprej pripravljenih modelov, ki omogočajo hitrejše usposabljanje modelov z izkoriščanjem obstoječega znanja. Poleg tega boste raziskali napredne teme, kot so ponavljajoče se nevronske mreže (RNN) in obdelava naravnega jezika (NLP), ki so ključne za zaporedne podatkovne naloge in besedilne aplikacije.
Ob koncu tečaja boste svoje znanje uporabili v končnem projektu, kjer boste s tehnikami računalniškega vida zgradili model klasifikacije objektov. Izboljšali boste delovanje modela z učenjem prenosa in povečanjem podatkov ter pridobili dragocene izkušnje pri optimizaciji modelov z omejenimi podatki. Tečaj vas bo vodil tudi skozi nastavitev lastnega razvojnega okolja AI in vas tako pripravil na samostojno izvajanje projektov globokega učenja. Ne glede na to, ali ste začetnik pri umetni inteligenci ali želite razširiti svoje spretnosti, ta tečaj zagotavlja trdno osnovo za vse, ki jih zanima hitro razvijajoče se področje globokega učenja.
Ob koncu delavnice lahko udeleženci pridobijo uradni certifikat Deep Learning Institute pri NVIDIA.
Zahtevnost: Osnovna
Jezik: Slovenski
Opis poteka izobraževanja: Delavnica poteka na daljavo preko brskalnika na oblačni infrastrukturi AWS.
Priporočeno predznanje: Razumevanje osnovnih konceptov programiranja v Python 3, kot so funkcije, zanke, slovarji in polja; poznavanje podatkovnih struktur Panda; in razumevanje, kako izračunati regresijsko črto.
Ciljna publika: Študenti računalništva, inženirji, raziskovalci, razvijalci ter vsi, ki želijo razumeti, kako ta tehnologija deluje.
Na izobraževanju pridobljena znanja:
- Naučite se osnovnih tehnik in orodij, potrebnih za usposabljanje modela globokega učenja
- Pridobite izkušnje s pogostimi podatkovnimi tipi globokega učenja in arhitekturami modelov
- Izboljšajte nabore podatkov z razširitvijo podatkov, da izboljšate natančnost modela
- Izkoristite prenos učenja med modeli za doseganje učinkovitih rezultatov z manj podatkov in računanja
- Zgradite samozavest, da se lotite lastnega projekta s sodobnim ogrodjem poglobljenega učenja
Omejitev števila udeležencev: 30
Date and Time
Location
Hosts
Registration
Add Event to Calendar
Speakers
Domen Verber
Jani Dugonik
Agenda
10:00–10:30: Uvod
– Spoznaj predavatelja.
– Ustvari račun na: https://learn.nvidia.com/join
10:30–13:30: Osnove globokega učenja
– Spoznaj temeljne mehanizme in orodja za uspešno učenje globokih nevronskih mrež.
– Ustvari svoj prvi model za računalniški vid.
– Uporabi konvolucijske nevronske mreže za izboljšanje natančnosti napovedi.
– Uporabi podatkovno razširitev (data augmentation) za boljše generaliziranje modela.
13:30–14:30: Odmor za kosilo
14:30–16:00: Prednaučeni modeli in veliki jezikovni modeli (LLM)
– Uporabi prednaučene modele za hitro reševanje izzivov globokega učenja.
– Učenje povratnih nevronskih mrež na zaporednih podatkih.
– Integriraj prednaučeni model za samodejna vrata za pse.
– Uporabi prenos učenja (angl. transfer learning) za prilagoditev modela svojemu psu.
– Uporabi LLM za odgovarjanje na vprašanja na podlagi danega besedila.
16:00–16:15: Odmor za kavo
16:15–17:15: Zaključni projekt: Razvrščanje objektov
– Uporabi računalniški vid za razlikovanje med svežim in pokvarjenim sadjem.
– Ustvari in treniraj model, ki interpretira barvne slike.
– Zgradi generator podatkov za učinkovitejše učenje na manjših naborih.
– Pospeši učenje s kombinacijo prenosa učenja in ekstrakcije značilk.
– Spoznaj napredne arhitekture in raziskovalna področja za nadaljnje učenje.
17:15–17:45: Zaključni pregled
– Pregled ključnih vsebin in vprašanja udeležencev.
– Zaključi nalogo za pridobitev certifikata.
– Izpolni anketo o delavnici.
– Spoznaj, kako postaviti svoje okolje za razvoj aplikacij AI.