Çevrimiçi kurs – DeepLearning.AI’nin ileri tekniklerinde sertifikalı profesyonel uzmanlık

TensorFlow ile özel modeller, katmanlar ve kayıp fonksiyonları

Kurs 1 • 31 saat • 4,9 (1.046 değerlendirme)

Kurs detayları

ne öğreneceksin

• İşlevsel ve sıralı API’leri karşılaştıracak, işlevsel API ile oluşturabileceğiniz yeni modelleri keşfedecek ve Siyam ağı da dahil olmak üzere birden fazla çıktı üreten bir model oluşturacaksınız.
• Modelin başarısını ölçmek ve sinir ağınızın eğitim verilerinden öğrenmesine yardımcı olmak için özel kayıp fonksiyonları oluşturun (Siyam ağında kullanılan karşılaştırmalı kayıp fonksiyonu dahil).
• Modeliniz için özel katmanlar oluşturmak, bir giriş katmanını kullanarak bir ağ katmanını uyarlamak, aralarındaki farkları anlamak, özel bir katmanı neyin oluşturduğunu öğrenmek ve etkinleştirme işlevlerini keşfetmek için mevcut standart katmanları geliştireceksiniz.
• Özel işlevler eklemek için mevcut modelleri geliştirecek, işlevsel veya sıralı API’ler kullanmak yerine kendi özel sınıfınızı nasıl tanımlayacağınızı öğrenecek, TensorFlow Model sınıfından ağ bağlantılı modeller oluşturacak ve özel bir model sınıfı tanımlayarak bir ResNet oluşturacaksınız.

TensorFlow’da DeepLearning.AI Uzmanlığı: Gelişmiş Teknikler

Öğrencilere model mimarileri üzerinde daha fazla kontrol sağlayan TensorFlow özelliklerini ve gelişmiş makine öğrenimi modelleri oluşturmalarına ve eğitmelerine yardımcı olan araçları tanıtır.

Bu uzmanlık amaçlanmaktadır

TensorFlow hakkında temel bilgiye sahip olan ve güçlü modeller oluşturmak için gelişmiş TensorFlow özelliklerini öğrenerek bilgi ve becerilerini genişletmek isteyen, kariyerinin başında ve ortasında olan yazılım ve makine öğrenimi mühendisleri için.

Edineceğiniz beceriler

• Kategori: İşlevsel API
• İşlevsel API
• Kategori: İşlevsel API’ye sahip özel ve özel modeller
• İşlevsel bir API’ye sahip özelleştirilmiş ve özel modeller
• Kategori: Düzeltilmiş kayıp fonksiyonları
• Düzeltilmiş kayıp fonksiyonları
• Kategori: özel katmanlar
• Özel katmanlar

TensorFlow ile kişiselleştirilmiş ve dağıtılmış eğitim

Kurs 2 • 24 saat • 4,8 (406 değerlendirme)

Kurs detayları

ne öğreneceksin

• TensorFlow’un temel yapı taşları olan Tensor nesneleri hakkında bilgi edinecek, TensorFlow’daki “hevesli” ve “grafiksel” tensörler arasındaki farkı anlayacak ve degradeleri hesaplamak için TensorFlow araçlarını nasıl kullanacağınızı öğreneceksiniz.
• Modelinizi eğitirken daha fazla esneklik ve görünürlük elde etmek için GradientTape ve TensorFlow Veri Kümelerini kullanarak özel eğitim döngüleri oluşturun.
• Grafik modunda çalışan kod oluşturmanın avantajlarını öğrenecek, grafik kodun nasıl göründüğünü görecek ve bu verimli kodu TensorFlow’un araçlarıyla otomatik olarak taşıma konusunda pratik yapacaksınız.
• Daha fazla veri işlemek ve daha büyük modelleri daha hızlı eğitmek için dağıtılmış eğitimin gücünden yararlanacak, farklı dağıtılmış eğitim stratejilerine ilişkin genel bir bakış elde edecek ve birden fazla GPU üzerinde eğitim veren ve birden fazla TPU üzerinde eğitim veren bir stratejiyle çalışma pratiği yapacaksınız.

TensorFlow’da DeepLearning.AI Uzmanlığı: Gelişmiş Teknikler

Öğrencilere model mimarileri üzerinde daha fazla kontrol sağlayan TensorFlow özelliklerini ve gelişmiş makine öğrenimi modelleri oluşturmalarına ve eğitmelerine yardımcı olan araçları tanıtır.

Bu uzmanlık amaçlanmaktadır

TensorFlow hakkında temel bilgiye sahip olan ve güçlü modeller oluşturmak için gelişmiş TensorFlow özelliklerini öğrenerek bilgi ve becerilerini genişletmek isteyen, kariyerinin başında ve ortasında olan yazılım ve makine öğrenimi mühendisleri için.

Edineceğiniz beceriler

• Kategori: Dağıtım stratejileri
• Dağıtım stratejileri
• Kategori: Optimizasyon için GradientTape
• Optimizasyon için GradientTape
• Kategori: Özelleştirilmiş eğitim döngüleri
• Özelleştirilmiş eğitim döngüleri
• Kategori: tensörlerin temel işlevleri
• Tensörlerin temel işlevleri

TensorFlow ile gelişmiş bilgisayar görüşü

Kurs 3 • 19 saat • 4,8 (498 değerlendirme)

Kurs detayları

ne öğreneceksin

• Görüntü sınıflandırmasını, görüntü bölümlendirmesini, nesne konumunu ve nesne algılamayı keşfedeceksiniz. Transfer öğrenimini nesne konumu ve tespitine uygulayın.
• Bölgesel-CNN ve ResNet-50 gibi nesne algılama modellerini uygulayın, mevcut modelleri uyarlayın ve ördek görüntülerinizi algılamak, bulmak ve etiketlemek için kendi modellerinizi oluşturun.
• Sayıları, evcil hayvanları, zombileri ve daha fazlasını tanımak ve tespit etmek için U-Net ve Mask-RCNN dahil olmak üzere Tam Evrişimli Ağın (FCN) çeşitlerini kullanarak görüntü segmentasyonu uygulayın.
• Sınıf etkinleştirme haritalarını ve önem haritalarını kullanarak tahminlerde bulunmak için modeliniz tarafından görüntünün hangi bölümlerinin kullanıldığını belirleyin ve ünlü bir ağ olan AlexNet’in tasarımını test etmek ve geliştirmek için bu makine öğrenimi yorumlama yöntemlerini uygulayın.

TensorFlow’da DeepLearning.AI Uzmanlığı: Gelişmiş Teknikler

Öğrencilere model mimarileri üzerinde daha fazla kontrol sağlayan TensorFlow özelliklerini ve gelişmiş makine öğrenimi modelleri oluşturmalarına ve eğitmelerine yardımcı olan araçları tanıtır.

Bu uzmanlık amaçlanmaktadır

TensorFlow hakkında temel bilgiye sahip olan ve güçlü modeller oluşturmak için gelişmiş TensorFlow özelliklerini öğrenerek bilgi ve becerilerini genişletmek isteyen, kariyerinin başında ve ortasında olan yazılım ve makine öğrenimi mühendisleri için.

Edineceğiniz beceriler

• kategori: önem
• önem
• Kategori: görüntü segmentasyonu
• Görüntü segmentasyonu
• Kategori: Modellerin yorumlanması
• Modellerin yorumlanması
• Kategori: Departmanların çalışma haritaları
• Departmanların çalışma haritaları
• Kategori: TensorFlow’da nesne bulma API’si
• TensorFlow’da nesne keşfi için API

TensorFlow ile üretken derin öğrenme

Kurs 4 • 16 saat • 4,9 (279 değerlendirme)

Kurs detayları

ne öğreneceksin

• Transfer öğrenimi yoluyla sinirsel stil aktarımını öğreneceksiniz: bir görüntünün içeriğini (örneğin bir ördek) ve bir resmin stilini (örneğin kübist veya empresyonist) bulun ve içerik ile stili yeni bir görüntüde birleştirin.
• Tanınmış MNIST veri kümesi üzerinde basit Otomatik Kodlayıcılar ve Fashion MNIST veri kümesi üzerinde daha karmaşık derin evrişimli mimariler oluşturacak, DNN ve CNN modelleri arasındaki sonuçlardaki farkı anlayacak, gürültülü görüntülerden gürültüyü gidermenin yollarını belirleyecek ve bir CNN oluşturacaksınız. AutoEncoder, gürültülü bir görüntüden temiz bir görüntü oluşturmak için TensorFlow’u kullanıyor.
• Tamamen yeni veriler oluşturmak ve referans görüntülerle karşılaştırmak üzere anime yüzleri oluşturmak için Değişken Otomatik Kodlayıcıları (VAE’ler) keşfedin.
• GAN’lar hakkında bilgi edineceksiniz; Buluş, özellikler, mimari ve VAE’lerden nasıl farklı oldukları, model içindeki jeneratör ve ayırıcının rolünü, 2 eğitim aşaması kavramını ve tanıtılan gürültünün rolünü anlayacak ve yüzler oluşturabilen kendi GAN’ınızı oluşturacaksınız.

DeepLearning.AI’nin TensorFlow’daki uzmanlığı: ileri teknikler

Öğrencilere model mimarileri üzerinde daha fazla kontrol sağlayan TensorFlow özelliklerini tanıtır ve onlara gelişmiş makine öğrenimi modelleri oluşturma ve eğitme araçlarını sağlar.

Bu uzmanlık amaçlanmaktadır

TensorFlow hakkında temel bilgiye sahip olan ve güçlü modeller oluşturmak için gelişmiş TensorFlow özelliklerini öğrenerek bilgi ve becerilerini genişletmek isteyen, kariyerinin başında ve ortasında olan yazılım ve makine öğrenimi mühendisleri için.

Edineceğiniz beceriler

• Kategori: Otomatik Kodlayıcılar
• Otomatik Kodlayıcılar
• Kategori: rakip üretken ağlar
• Karşıt üretken ağlar
• Kategori: Nöronal Stil Transferi
• Nöronal tarzda iletim