لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشینی خود نظارتی
Self-Supervised Machine Learning
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا شما یک برنامه نویس هستید که می خواهید مهارت های ساخت مدل خود را به امید جمع آوری اطلاعات بیشتر از داده هایی که در دسترس دارید گسترش دهید؟ این دوره به شما می آموزد که چگونه یادگیری ماشینی خود نظارت می تواند به شما کمک کند. مربی جانانی راوی به شما نشان می دهد که چگونه مدل های خود نظارتی کار می کنند و چگونه می توانید از مدل های خود نظارتی در یادگیری انتقال استفاده کنید تا عملکرد کارهای پایین دستی مانند طبقه بندی تصویر را بهبود بخشید.
سرفصل ها و درس ها
مقدمه
Introduction
پیش نیازهای دوره
Course prerequisites
نیاز به یادگیری خود نظارتی
The need for self-supervised learning
یادگیری تحت نظارت، بدون نظارت و خود نظارتی
Supervised, unsupervised, and self-supervised learning
ساخت وظایف تحت نظارت خود
Constructing self-supervised tasks
بازنمایی های تعمیم یافته و وظایف بهانه
Generalized representations and pretext tasks
امتحان فصل
Chapter Quiz
1. یادگیری خود نظارتی در بینایی کامپیوتر
1. Self-Supervised Learning in Computer Vision
یادگیری خود نظارتی در بینایی کامپیوتر
Self-supervised learning in computer vision
کار بهانه: پیش بینی چرخش تصویر
Pretext task: Predicting image rotation
کار بهانه: رنگ آمیزی تصویر
Pretext task: Image colorization
کار بهانه: نقاشی تصویر
Pretext task: Image inpainting
وظیفه بهانه: موقعیت نسبی پیش بینی کننده
Pretext task: Predictive relative position
کار بهانه: کار اره منبت کاری اره مویی
Pretext task: Jigsaw task
وظیفه بهانه: ویدئو
Pretext task: Video
وظیفه بهانه: ویدیو و صدا
Pretext task: Video and sound
امتحان فصل
Chapter Quiz
2. تکنیک های یادگیری متضاد و غیر متضاد
2. Contrastive and Non-contrastive Learning Techniques
هدف از یادگیری خود نظارتی
Objective of self-supervised learning
یادگیری متضاد و غیر متضاد
Contrastive and non-contrastive learning
یادگیری متضاد
Contrastive learning
آموزش بازنمایی ثابت بهانه (PIRL)
Pretext Invariant Representation Learning (PIRL)
خوشه بندی
Clustering
تقطیر
Distillation
BYOL و SimSiam
BYOL and SimSiam
کاهش افزونگی: دوقلوهای بارلو
Redundancy reduction: Barlow Twins
امتحان فصل
Chapter Quiz
3. راه اندازی با محیط آزمایشی
3. Getting Set Up with the Demo Environment
رعد و برق PyTorch و رعد و برق
PyTorch lightning and lightning bolts
کاوش مجموعه داده گل ها
Exploring the flowers data set
با استفاده از Google Colab
Using Google Colab
4. انتقال یادگیری با استفاده از پیشآموزش نظارت شده
4. Transfer Learning Using Supervised Pretraining
مروری کوتاه بر یادگیری انتقالی
Brief overview of transfer learning
در حال بارگیری مجموعه داده های تصویر
Loading the image data set
راه اندازی ماژول داده
Setting up the data module
راه اندازی مدل طبقه بندی
Setting up the classification model
آموزش مدل طبقه بندی: ستون فقرات منجمد
Training the classification model: Frozen backbone
آموزش مدل طبقه بندی: ستون فقرات تنظیم دقیق
Training the classification model: Fine-tuning backbone
5. یادگیری متضاد خود نظارتی با SimCLR
5. Self-Supervised Contrastive Learning with SimCLR
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات