Opleiding : Diep leren met PyTorch
Praktijkcursus - 4d
- 28u00 - Ref. DLT
|
Downloaden in pdf-formaat
Deze cursus delen via mail
 | Hoe afbeeldingen en tekst manipuleren met PyTorch |
| Opzetten van neurale netwerktraining vanuit het niets of met behulp van transfer learning |
| PyTorch-modules gebruiken om gegevens te laden |
| Kennis van gedistribueerde training |
| Avoir des notions sur les nouvelles méta-architectures telles que les transformers |
Doelgroep
Machine learning-ontwerpers en -ontwikkelaars, datawetenschappers, AI-ingenieurs.
Voorafgaande vereisten
Praktische ervaring met Python en machine learning.
Opleidingsprogramma
1 Aan de slag met PyTorch
- PyTorch en zijn fundamentele principes.
- Installeer PyTorch en de bijbehorende componenten.
- Vergelijking tussen de Numpy en PyTorch bibliotheken.
- PyTorch vs Tensorflow.
- Principes van gedistribueerd computergebruik.
Praktisch werk
PyTorch installeren. Tensor en matrix manipulatie.
2 PyTorch submodules voor het trainen van neurale netwerken
- Presentatie van Pytorch submodules voor het trainen van neurale netwerken.
- Een herinnering aan voorwaartse propagatie.
- Een herinnering aan gradiënt backpropagatie.
- Gegevens laden.
- Definieer een convolutie neuraal netwerk met het pakket torch.nn, train het model en test het.
Praktisch werk
Implementatie van een CNN-netwerk voor beeldclassificatie.
3 Transferleren en het gebruik van voorgetrainde netwerken
- Het principe van overdrachtsleren.
- Voorbeelden van transfer leren.
- De stadia van de transfer-leermethode in machine-leerprojecten.
- Gebruik van voorgetrainde netwerken.
Praktisch werk
Herhaling van eerdere oefeningen om de metriek te verbeteren met de introductie van transfer learning.
4 Meta-architecturen voor complexe projecten
- Presentatie van meta-architecturen.
- Het probleem van objectdetectie.
- Problemen met beeldsegmentatie.
- UNet-netwerkarchitectuur: encoder-decoderblokken en PyTorch.
Praktisch werk
Création d'un modèle UNet simple pour la segmentation d'images. Comparaison avec le transfer learning pour UNet.
5 NLP met PyTorch en spaCy
- Automatische verwerking van natuurlijke taal (NLP).
- De voordelen van PyTorch en spaCy.
- Pijpleidingprincipe.
- Tekstverwerking .
- Terugkerend netwerkaandrijving / biLSTM.
- Gebruik van PyTorch en spaCy voor NLP.
Praktisch werk
Topic modellering op filmrecensies. Sentimentanalyse op tweets.
6 Transformatoren en aandachtsmechanismen
- Transformatoren voor automatische taalverwerking.
- Details van aandachtsmechanismen.
- Het aandachtsmechanisme toegepast op een sequentie: zelf-aandacht.
- Hoe transformatoren werken.
Praktisch werk
Een vertaalmodel opzetten.
Feedback van klanten
4,6 / 5
De feedback van klanten is afkomstig van eindevaluaties na de opleiding. De score wordt berekend op basis van alle evaluaties die minder dan 12 maanden oud zijn. Alleen die met een tekstcommentaar worden weergegeven.
ANAËLLE B.
29/09/26
5 / 5
Een heel interessante opleiding. Het is jammer dat we de praktijkopdrachten niet hebben kunnen afmaken vanwege tijdgebrek. Voor sommige begrippen zou meer oefentijd nodig zijn, maar we worden beperkt door de duur van de opleiding.
ARTHUR C.
29/09/26
4 / 5
Oké, maar de Orsys-platforms zijn regelmatig gecrasht; dit is het eerste jaar dat ze zo slecht werken. Verder is de verhouding tussen werkcolleges en hoorcolleges misschien een beetje uit balans; een meer didactische opzet van de werkcolleges zou wel op prijs worden gesteld.
STEPHANE C.
29/09/26
5 / 5
De *.ipynb-bestanden zijn erg goed gemaakt
Publicatiedatum : 22/02/2024
DEELNEMERS
Machine learning-ontwerpers en -ontwikkelaars, datawetenschappers, AI-ingenieurs.
VOORAFGAANDE VEREISTEN
Praktische ervaring met Python en machine learning.
VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.
BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.
TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.
TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.
Machine learning-ontwerpers en -ontwikkelaars, datawetenschappers, AI-ingenieurs.
VOORAFGAANDE VEREISTEN
Praktische ervaring met Python en machine learning.
VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.
BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.
PEDAGOGISCHE EN TECHNISCHE MIDDELEN
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.
TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.
TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.
Dit programma is een origineel concept, ontwikkeld door de pedagogische teams van ORSYS Formation. Elke reproductie, weergave, aanpassing of exploitatie, geheel of gedeeltelijk, zonder voorafgaande schriftelijke toestemming van ORSYS, is ten strengste verboden. ORSYS behoudt zich het recht voor om alle nodige maatregelen te nemen ter bescherming van haar intellectuele-eigendomsrechten.
Data en plaats
Selecteer uw locatie of kies voor de les op afstand en kies vervolgens uw datum.
Klas op afstand
Dernières places
Date garantie en présentiel ou à distance
Session garantie
Dit programma is een origineel concept, ontwikkeld door de pedagogische teams van ORSYS Formation. Elke reproductie, weergave, aanpassing of exploitatie, geheel of gedeeltelijk, zonder voorafgaande schriftelijke toestemming van ORSYS, is ten strengste verboden. ORSYS behoudt zich het recht voor om alle nodige maatregelen te nemen ter bescherming van haar intellectuele-eigendomsrechten.