آموزش یادگیری خود نظارتی A-Z: تئوری و پایتون
Self-Supervised Learning A-Z: Theory & Hands-On Python
«اگر هوش یک کیک است، بخش عمده آن یادگیری با نظارت شخصی است، نکته روی کیک یادگیری نظارت شده است، و گیلاس روی کیک یادگیری تقویتی است. ”
یان آندره لکون
دانشمند ارشد هوش مصنوعی در Meta
برخی از "باید" ها قبل از شروع
شما باید با معماری‌های یادگیری عمیق، از جمله پشته‌های لایه‌های کانولوشن، تکرارشونده، متراکم، ادغام، میانگین، و عادی‌سازی با استفاده از کتابخانه TensorFlow در Python 3+ آشنا باشید.
شما باید بدانید که چگونه با استفاده از کتابخانه TensorFlow در Python 3+، مدل‌های یادگیری عمیق چند لایه را توسعه دهید، آموزش دهید، و آزمایش کنید.
باید بدانید که این یک دوره "ضمانت بازگشت پول 100٪" تحت قوانین Udemy است.
مدرس دوره
اسم من محمد ح. رفیعی، دکتری است. من مفتخرم که به عنوان مربی شما خدمت کنم.
من یک مهندس، محقق، و مدرس یادگیری ماشین در دانشگاه جان هاپکینز، کالج مهندسی، و دانشگاه ایالتی جورجیا، گروه علوم کامپیوتر هستم. من همچنین بنیانگذار MHR Group LLC در گرجستان هستم.
مواد موضوعی
این دوره به شما «یادگیری با نظارت خود» (SSL)، که به عنوان «یادگیری بازنمایی» نیز شناخته می‌شود، می‌آموزد.
SSL یک موضوع نسبتاً جدید و داغ در یادگیری ماشینی برای مقابله با مخازن با داده‌های دارای برچسب محدود است.
دو تکنیک کلی SSL وجود دارد، کنتراستیو و مولد. تمرکز این دوره فقط بر روی مدل‌های متضاد نظارت شده و بدون نظارت است.
مثال‌ها و آزمایش‌های متعددی در سراسر این دوره برای درک کامل ایده SSL وجود دارد.
حوزه تمرکز ما دامنه تصویر است، اما می‌توانید آنچه را که یاد می‌گیرید در حوزه‌های دیگر، از جمله رکوردهای زمانی و پردازش زبان طبیعی (NLP) اعمال کنید.
در هر سخنرانی، می توانید به نوت بوک های Python .ipynb مربوطه دسترسی داشته باشید. نوت بوک ها بهتر است با شتاب دهنده GPU اجرا شوند. برای جزئیات بیشتر، سخنرانی زیر را تماشا کنید.
اگر ویدیوها خیلی سریع یا خیلی کند هستند، همیشه می‌توانید سرعت آنها را تغییر دهید. همچنین می‌توانید شرح ویدیو را روشن کنید.
بهتر است ویدیوهای این دوره را با کیفیت 1080p با عنوان روشن تماشا کنید.
سخنرانی‌ها برای بهترین عملکرد در Google Colab با شتاب‌دهنده‌های GPU ایجاد شده‌اند.
نسخه TensorFlow مورد استفاده در این سخنرانی‌ها «2.8.2» است. می‌توانید از %tensorflow_version 2.x در اولین سلول نوت‌بوک پایتون خود استفاده کنید.
کتابخانه های یادگیری ماشین در پایتون، از جمله TensorFlow، در حال تکامل هستند. به این ترتیب، باید خود را با تغییرات به روز نگه دارید و کدهای خود را اصلاح کنید.
نمای کلی دوره
چهار بخش و ده سخنرانی:
بخش 01: مقدمه.
سخنرانی 01: مقدمه ای بر دوره.
سخنرانی 02: نوت بوک های پایتون.
بخش 02: مدل‌های نظارت شده.
سخنرانی 03: یادگیری تحت نظارت.
سخنرانی 04: تنظیم دقیق یادگیری انتقال.
بخش 03: وظیفه برچسب‌گذاری.
سخنرانی 05: چالش های برچسب گذاری.
بخش 04: یادگیری خود نظارتی.
سخنرانی 06: یادگیری خود نظارتی.
سخنرانی 07: بهانه متناقض نظارت شده، آزمایش 1.
سخنرانی 08: بهانه متناقض نظارت شده، آزمایش 2.
سخنرانی 09: SimCLR، یک مدل بهانه متناقض بدون نظارت.
سخنرانی 10: آزمایش SimCLR.
معرفی Introduction
-
مقدمه ای بر دوره An Introduction to the Course
-
آزمون سخنرانی 01 Lecture 01 Quiz
-
نوت بوک پایتون Python Notebooks
-
آزمون سخنرانی 02 Lecture 02 Quiz
مدل های نظارت شده Supervised Models
-
یادگیری تحت نظارت Supervised Learning
-
آزمون سخنرانی 03 Lecture 03 Quiz
-
آموزش انتقال و تنظیم دقیق Transfer Learning & Fine-Tuning
-
آزمون سخنرانی 04 Lecture 04 Quiz
وظیفه برچسب زدن Labeling Task
-
چالش های برچسب زدن Labeling Challenges
-
آزمون سخنرانی 05 Lecture 05 Quiz
یادگیری خود نظارتی Self-Supervised Learning
-
یادگیری خود نظارتی Self-Supervised Learning
-
آزمون سخنرانی 06 Lecture 06 Quiz
-
بهانه متناقض نظارت شده، آزمایش 1 Supervised Contrastive Pretext, Experiment 1
-
آزمون سخنرانی 07 Lecture 07 Quiz
-
بهانه متناقض نظارت شده، آزمایش 2 Supervised Contrastive Pretext, Experiment 2
-
آزمون سخنرانی 08 Lecture 08 Quiz
-
SimCLR، یک مدل بهانه متناقض بدون نظارت SimCLR, An UnSupervised Contrastive Pretext Model
-
آزمایش SimCLR SimCLR Experiment
https://donyad.com/d/ff6480
Mohammad H Rafiei
معاون پژوهشی
نمایش نظرات