Aflați elementele de bază ale vederii computerizate cu învățare profundă și cum să implementați algoritmii folosind Tensorflow.
Autor: Folefac Martins de la Neuralearn.ai
Mai multe cursuri: www.neuralearn.ai
Link către cod: https://colab.research.google.com/drive/18u1KDx-9683iZNPxSDZ6dOv9319ZuEC_
Canalul canalului YouTube: https://www.youtube.com/@neuralearn
⭐️ Cuprins ⭐️
Introducere
⌨️ (0:00:00) Bine ați venit
⌨️ (0:05:54) Condiție prealabilă
⌨️ (0:06:11) Ce vom învăța
Tensori și variabile
⌨️ (0:12:12) Elemente de bază
⌨️ (0:19:26) Inițializare și casting
⌨️ (1:07:31) Indexare
⌨️ (1:16:15) Operații la matematică
⌨️ (1:55:02) Operații de algebră liniară
⌨️ (2:56:21) Funcții comune TensorFlow
⌨️ (3:50:15) Tensori zdrențuiți
⌨️ (4:01:41) Tensori rari
⌨️ (4:04:23) Tensori de șiruri
⌨️ (4:07:45) Variabile
Construirea de rețele neuronale cu TensorFlow [Car Price Prediction]
⌨️ (4:14:52) Înțelegerea sarcinilor
⌨️ (4:19:47) Pregătirea datelor
⌨️ (4:54:47) Model de regresie liniară
⌨️ (5:10:18) Sancționarea erorilor
⌨️ (5:24:53) Antrenament și optimizare
⌨️ (5:41:22) Măsurarea performanței
⌨️ (5:44:18) Validare și testare
⌨️ (6:04:30) Măsuri corective
Construirea de rețele neuronale convoluționale cu TensorFlow [Malaria Diagnosis]
⌨️ (6:28:50) Înțelegerea sarcinilor
⌨️ (6:37:40) Pregătirea datelor
⌨️ (6:57:40) Vizualizarea datelor
⌨️ (7:00:20) Prelucrarea datelor
⌨️ (7:08:50) Cum și de ce funcționează ConvNets
⌨️ (7:56:15) Construirea de convnets cu TensorFlow
⌨️ (8:02:39) Pierderea crossentropiei binare
⌨️ (8:10:15) Rețele de antrenament
⌨️ (8:23:33) Evaluare și testare a modelului
⌨️ (8:29:15) Încărcarea și salvarea modelelor pe Google Drive
Construirea de modele mai avansate în rețelele neuronale convoluționale Teno cu TensorFlow [Malaria Diagnosis]
⌨️ (8:47:10) API funcțional
⌨️ (9:03:48) Subclasare model
⌨️ (9:19:05) Straturi personalizate
Evaluarea modelelor de clasificare [Malaria Diagnosis]
⌨️ (9:36:45) Precizie, reamintire și acuratețe
⌨️ (10:00:35) Matricea confuziei
⌨️ (10:10:10) ROC Plots
Îmbunătățirea performanței modelului [Malaria Diagnosis]
⌨️ (10:18:10) Reapeluri TensorFlow
⌨️ (10:43:55) Programarea ratei de învățare
⌨️ (11:01:25) Punct de control al modelului
⌨️ (11:09:25) Atenuarea suprainstalării și subinstalării
Augmentarea datelor [Malaria Diagnosis]
⌨️ (11:38:50) Augmentation with tf.image și Keras Layers
⌨️ (12:38:00) Augmentarea amestecurilor
⌨️ (12:56:35) Cutmix Augmentation
⌨️ (13:38:30) Mărirea datelor cu albumentații
Subiecte avansate TensorFlow [Malaria Diagnosis]
⌨️ (13:58:35) Pierderi și valori personalizate
⌨️ (14:18:30) Moduri Eager și Graph
⌨️ (14:31:23) Bucle de antrenament personalizate
Integrare Tensorboard [Malaria Diagnosis]
⌨️ (14:57:00) Înregistrarea datelor
⌨️ (15:29:00) Vizualizați graficele modelului
⌨️ (15:31:45) Reglare hiperparametrică
⌨️ (15:52:40) Profilare și vizualizări
MLOps cu ponderi și părtiniri [Malaria Diagnosis]
⌨️ (16:00:35) Urmărirea experimentului
⌨️ (16:55:02) Reglare hiperparametrică
⌨️ (17:17:15) Versiunea setului de date
⌨️ (18:00:23) Versiune model
Detectarea emoțiilor umane
⌨️ (18:16:55) Pregătirea datelor
⌨️ (18:45:38) Modelare și antrenament
⌨️ (19:36:42) Augmentarea datelor
⌨️ (19:54:30) TensorFlow Records
Rețele neuronale convoluționale moderne [Human Emotions Detection]
⌨️ (20:31:25) AlexNet
⌨️ (20:48:35) VGGNet
⌨️ (20:59:50) ResNet
⌨️ (21:34:07) Codarea ResNet de la zero
⌨️ (21:56:17) MobileNet
⌨️ (22:20:43) EfficientNet
Transfer de învățare [Human Emotions Detection]
⌨️ (22:38:15) Extragerea caracteristicilor
⌨️ (23:02:25) Reglaj fin
Înțelegerea cutiei negre [Human Emotions Detection]
⌨️ (23:15:33) Vizualizarea straturilor intermediare
⌨️ (23:36:20) Metoda Gradcam
Transformatori în viziune [Human Emotions Detection]
⌨️ (23:57:35) Înțelegerea ViTs
⌨️ (24:51:17) Construirea de ViTs de la zero
⌨️ (25:42:39) FineTuning Huggingface ViT
⌨️ (26:05:52) Evaluare model cu Wandb
Implementarea modelului [Human Emotions Detection]
⌨️ (26:27:13) Convertirea modelului TensorFlow în format Onnx
⌨️ (26:52:26) Înțelegerea cuantizării
⌨️ (27:13:08) Cuantificare practică a modelului Onnx
⌨️ (27:22:01) Antrenament pentru cuantizare
⌨️ (27:39:55) Conversie la TensorFlow Lite
⌨️ (27:58:28) Cum funcționează API-urile
⌨️ (28:18:28) Crearea unui API cu FastAPI
⌨️ (29:39:10) Implementarea API-ului în cloud
⌨️ (29:51:35) Testare de încărcare cu Locust
Detectarea obiectelor cu YOLO
⌨️ (30:05:29) Introducere în detectarea obiectelor
⌨️ (30:11:39) Înțelegerea algoritmului YOLO
⌨️ (31:15:17) Pregătirea setului de date
⌨️ (31:58:27) Pierdere YOLO
⌨️ (33:02:58) Mărirea datelor
⌨️ (33:27:33) Testare
Generare de imagini
⌨️ (33:59:28) Introducere în generarea de imagini
⌨️ (34:03:18) Înțelegerea autoencoderelor variaționale
⌨️ (34:20:46) Instruire VAE și generare de cifre
⌨️ (35:06:05) Vizualizarea spațiului latent
⌨️ (35:21:36) Cum funcționează GAN-urile
⌨️ (35:43:30) Pierderea GAN
⌨️ (36:01:38) Îmbunătățirea antrenamentului GAN
⌨️ (36:25:02) Generarea feței cu GAN-uri
Concluzie
⌨️ (37:15:45) Ce urmează
Cursuri interesante:
- PyTorch pentru Deep Learning și Machine Learning – Curs complet
- Curs TensorFlow for Computer Vision – Tutorial complet Python pentru începători
- Curs intensiv de învățare profundă pentru începători
- Cum funcționează rețelele neuronale profunde – Curs complet pentru începători
- Învățare profundă aplicată cu PyTorch – Curs complet
- Python TensorFlow pentru învățare automată – Tutorial de clasificare a textului rețelelor neuronale
- Curs complet TensorFlow 2.0 – Tutorial Rețele neuronale Python pentru începători
- Curs TensorFlow – Construirea și evaluarea modelelor medicale AI
- Stanford CS224W: ML cu grafice | 2021 | Cursul 9.2 – Proiectarea celor mai puternice GNN
- Creați un model de limbă mare de la zero cu Python – Tutorial