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

  • یادگیری متضاد: SimCLR Contrastive learning: SimCLR

  • در حال بارگیری مجموعه داده ها Loading the data set

  • طبقه بندی تصاویر با استفاده از مدل از پیش آموزش دیده SimCLR Image classification using the SimCLR pretrained model

  • امتحان فصل Chapter Quiz

6. خوشه بندی خود نظارتی با SwAV 6. Self-Supervised Clustering with SwAV

  • یادگیری غیر متضاد: خوشه بندی با SwAV Non-contrastive learning: Clustering with SwAV

  • طبقه بندی تصاویر با استفاده از مدل از پیش آموزش دیده SwAV Image classification using the SwAV pretrained model

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • خلاصه و مراحل بعدی Summary and next steps

نمایش نظرات

آموزش یادگیری ماشینی خود نظارتی
جزییات دوره
2h 17m
41
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.