Жизненно важные навыки для успеха в мировой экономике.
Мой всеобъемлющий курс PyTorch теперь доступен на YouTube-канале freeCodeCamp.org.
- Вы можете просмотреть полный 26-часовой курс здесь.
- Читайте материалы курса онлайн бесплатно на сайте learnpytorch.io.
- Посмотреть все материалы курса на GitHub.
Вы можете узнать больше о курсе под встроенным видео.
Лучший способ учиться — это делать.
И это именно то, что мы будем делать в курсе «Изучение PyTorch для глубокого обучения: от нуля до мастерства».
Мы будем учиться, делая.
В более чем 160 практических видеороликах мы рассмотрим многие из наиболее важных концепций машинного и глубокого обучения, написав код PyTorch.
Если вы новичок в машинном обучении, рассмотрите этот курс как стимулирующий фактор.
К концу вы почувствуете себя свободно, используя PyTorch, читая и записывая код, ища информацию, которую вы не понимаете, и создавая свои собственные проекты машинного обучения.
Что такое ПиТорч?
PyTorch — это фреймворк для машинного обучения, написанный на языке программирования Python.
Это позволяет вам писать алгоритмы машинного обучения, способные превращать данные в модели в интеллект.
Зачем изучать PyTorch?
По состоянию на июль 2022 года 58% исследовательских работ по машинному обучению, содержащих код, используют PyTorch. И это число растет с момента выпуска PyTorch.
По сути, исследователи машинного обучения любят PyTorch.
И, как правило, промышленность следует за исследованиями.
Так что, если все лучшие исследования в области машинного обучения проводятся в PyTorch, знание PyTorch — это отличный способ начать работать в области машинного обучения.
Каковы предпосылки?
Плохо: «Я не могу этому научиться» (это ерунда***).
Хорошо: опыт написания кода на Python от трех до шести месяцев и готовность учиться (вы более чем готовы к работе).
Курс максимально удобен для новичков.
Поэтому, если у вас есть опыт работы с машинным обучением более года, вы можете кое-чему научиться, но материалы предназначены для начинающих.
Как преподается курс?
В центре внимания курса код, код, код, эксперимент, эксперимент, эксперимент.
Вот почему два девиза курса:
Если сомневаетесь, запустите код!
Экспериментируйте, экспериментируйте, экспериментируйте!
Мы будем писать код вместе, в стиле ученичества.
Это означает, что в видеоверсии курса я напишу код PyTorch и объясню его, а затем вы будете следовать за ним, написав тот же код.
Если мы застряли на чем-то, мы будем искать ответ.
Вы заметите, что я оставляю много своих ошибок в видео, это сделано специально.
Потому что ошибки случаются (часто), и важно уметь их устранять.
Я большой поклонник того, что нет ограничений по скорости для изучения чего-либо.
Вот чем мы будем заниматься.
Обучение кодированием.
Учимся экспериментируя.
Быстрый.
Что внутри курса?
Вы можете просмотреть и прочитать все материалы онлайн бесплатно на learnpytorch.io.
Но давайте конкретику.
Курс состоит из 5 модулей (или тетрадей), которые лучше всего проходить последовательно (но не стесняйтесь прыгать).
00 — Основы PyTorch
Мы начнем с нуля.
Отвечая на вопросы, например, что такое PyTorch (среда машинного обучения с открытым исходным кодом) и для чего можно использовать PyTorch (манипулирование данными и написание алгоритмов машинного обучения).
Затем мы познакомимся с фундаментальным строительным блоком глубокого обучения — тензором.
Тензор — это числовое представление данных (где данные могут быть практически любыми: изображениями, текстом, таблицами чисел).
И вся цель машинного обучения — найти закономерности в данных.
Поэтому знание того, как создавать тензоры, взаимодействовать с ними и манипулировать ими, имеет первостепенное значение.
Все материалы курса доступны для чтения в интерактивной онлайн-книге на сайте learnpytorch.io.
01 — Рабочий процесс PyTorch
Идея машинного обучения состоит в том, чтобы превратить данные в интеллект.
И модель машинного обучения, которая способна сделать это лучше всего, становится победителем.
Так как же перейти от данных к модели и интеллектуальности с помощью PyTorch?
Вот на чем фокусируется рабочий процесс PyTorch:
- Подготовка данных (превращение их в тензоры).
- Построение или выбор предварительно обученной модели (подходящей для вашей задачи).
- Подгонка модели к данным (или предоставление модели возможности найти закономерности в данных).
- Оценка обученной модели (после того, как она изучила закономерности в данных).
- Улучшение модели путем экспериментов.
- Сохранение и перезагрузка обученной модели (чтобы вы могли экспортировать ее и использовать в приложениях).
Мы будем использовать и развивать этот рабочий процесс на протяжении всего курса.
02 — Классификация нейронных сетей PyTorch
Нейронные сети — один из самых мощных алгоритмов машинного обучения.
Именно на них работают многие из самых современных систем искусственного интеллекта (ИИ), таких как поисковые и беспилотные автомобили.
Но можете ли вы заставить нейронную сеть делать что-то простое, например классифицировать, является ли точка красной или синей?
Простая задача, да, но эксперименты с игрушечными задачками — один из лучших способов научиться машинному обучению.
При этом мы пройдем все основные этапы решения одной из наиболее распространенных задач машинного обучения — классификации: построения нейронной сети для прогнозирования того или иного явления.
03 — Компьютерное зрение PyTorch
Нейронные сети навсегда изменили игру компьютерного зрения.
И теперь PyTorch поддерживает многие из последних достижений в области алгоритмов компьютерного зрения.
Tesla использует PyTorch для создания алгоритмов компьютерного зрения для своего программного обеспечения для самостоятельного вождения.
Apple использует PyTorch для создания моделей, улучшающих с помощью вычислений фотографии, сделанные на iPhone.
В PyTorch Computer Vision мы напишем код PyTorch для создания нейронной сети, способной видеть закономерности в изображениях и классифицировать их по разным категориям.
04 — Пользовательские наборы данных PyTorch
Магия машинного обучения заключается в создании алгоритмов для поиска закономерностей в ваших собственных данных.
Существует множество существующих наборов данных, но как загрузить свой собственный набор данных в PyTorch, чтобы построить модели и найти в нем закономерности?
Возможно, вы хотите построить систему безопасности для своего дома и научить ее, как выглядит ваша семья, чтобы она их узнавала.
Или, возможно, вы хотели бы создать приложение, способное классифицировать различные фотографии собак, которые вы делаете.
Это именно то, что охватывает пользовательские наборы данных PyTorch. Мы создадим собственный пользовательский набор данных с изображениями еды, пиццы, стейка и суши, чтобы начать основной проект курса: FoodVision.
Разве я не могу научиться всему этому сам?
Да.
Ты можешь.
Я не зря называю этот курс вторым лучшим местом в Интернете для изучения PyTorch.
Потому что лучшее место — Документация PyTorch.
Хотя документация может быть немного пугающей, когда вы впервые сталкиваетесь с ней.
Таким образом, этот курс структурирует вещи таким образом, что это забавная разминка перед погружением в документацию.
Есть еще вопрос?
Пишите мне по электронной почте или оставляйте обсуждение курса на репозитории GitHub.
В остальном удачного машинного обучения и до встречи на курсе.
СВЯЗАННЫЕ:
