3 октября прошлого года я получил электронное письмо от Udacity с предложением подать заявку на участие в «Стипендии PyTorch от Facebook». Я не знал, что такое Pytorch и эта стипендия, но когда я прочитал описание программы, я очень обрадовался!
Эта программа посвящена глубокому обучению!
В настоящее время глубокое обучение способствует развитию искусственного интеллекта, который меняет наш мир. В этой программе у вас будет возможность создавать и применять свои собственные глубокие нейронные сети для решения таких задач, как классификация и генерация изображений, прогнозирование временных рядов и развертывание моделей.
Студенты потратят 2 месяца на создание мощных моделей глубокого обучения с помощью PyTorch. Лучшие студенты начального курса Challenge будут отобраны для участия в программе Deep Learning Nanodegree.
Каково же было мое удивление, что вчера я получил электронное письмо с уведомлением о том, что меня приняли принять участие в этом испытании!
Я был так счастлив, потому что последние два месяца я изучал машинное обучение, искусственный интеллект и экспериментировал с библиотеками Python, и это действительно потрясающе - общаться с людьми, которых интересует то же самое. Я так благодарен за эту возможность.
О чем вся эта программа и почему я так взволнован?
Эта программа будет охватывать сверточные и рекуррентные нейронные сети, генеративные состязательные сети, развертывание и многое другое. Вы будете использовать PyTorch и получите доступ к графическим процессорам для более быстрого обучения моделей. Вы узнаете у таких авторитетов, как Себастьян Трун, Ян Гудфеллоу, Джун-Ян Чжу и Эндрю Траск.
Вы овладеете основами глубокого обучения, которые подготовят вас к запуску или продвижению по карьерной лестнице, а также продолжите углубленное обучение в области искусственного интеллекта.
Уникальные проекты, индивидуальные отзывы
Нет ничего лучше, чем учиться на реальных проектах. У вас будет возможность поработать над пятью специально разработанными проектами глубокого обучения и получить подробные отзывы от наставников по каждому из них.
Какие проекты охватываются?
- Прогнозирование схем обмена велосипедами
- Классификатор пород собак
- Создание сценариев ТВ
- Создать лица
- Разверните модель анализа настроений
Проект 1. Прогнозирование использования велосипедов
Изучите основы нейронных сетей и создайте свою первую сеть с помощью Python и NumPy. Вы создадите и обучите многослойную нейронную сеть и будете использовать ее для анализа реальных данных. В этом проекте вы создадите и обучите нейронные сети с нуля, чтобы предсказывать количество пользователей велопроката в конкретный день.
Проект 2: классификатор пород собак
В этом проекте вы определите сверточную нейронную сеть, которая работает лучше, чем средний человек, когда перед ней стоит задача: определение пород собак. По изображению собаки ваш алгоритм вычислит ее породу. Если предоставлено изображение человека, код * также * даст оценку наиболее похожей породы собак. Наряду с изучением современных моделей CNN для классификации вы будете принимать важные дизайнерские решения, касающиеся взаимодействия с пользователем вашего приложения.
Проект 3. Создание сценариев для телешоу
В этом проекте вы создадите свои собственные рекуррентные сети и сети с долгосрочной краткосрочной памятью с помощью PyTorch. Вы будете выполнять анализ тональности и генерировать новый текст, а также использовать повторяющиеся сети для генерации нового текста, напоминающего обучающий набор телевизионных сценариев.
Проект 4. Создание лиц
Научитесь понимать генеративные состязательные сети вместе с изобретателем модели Яном Гудфеллоу. Затем примените то, что вы узнали в этом проекте, и внедрите Deep Convolutional GAN. Этот DCGAN состоит из пары многослойных нейронных сетей, которые конкурируют друг с другом до тех пор, пока человек не научится генерировать реалистичные изображения лиц.
Проект 5. Развертывание модели анализа настроений
В этом проекте вы обучите и развернете собственную модель анализа настроений PyTorch с помощью Amazon SageMaker на AWS. Эта модель будет обучена проводить анализ настроений в обзорах фильмов (положительных или отрицательных). Вы создадите модель, развернете ее и создадите шлюз для доступа к этой модели с веб-сайта.
