Programa del Curso
Introducción
- Chainer vs Caffe vs Torch
- Descripción general de las características y componentes de Chainer
Empezar
- Comprender la estructura del entrenador
- Instalación de Chainer, CuPy y NumPy
- Definición de funciones en variables
Entrenamiento Neural Networks en Chainer
- Construcción de un grafo computacional
- Ejecución de ejemplos de conjuntos de datos MNIST
- Actualización de parámetros mediante un optimizador
- Procesamiento de imágenes para evaluar resultados
Trabajar con GPUs en Chainer
- Implementación de redes neuronales recurrentes
- Uso de varios GPUs para la paralelización
Implementación de otros modelos de redes neuronales
- Definición de modelos RNN y ejemplos de ejecución
- Generación de imágenes con GAN convolucional profunda
- Ejemplos de ejecución Reinforcement Learning
Solución de problemas
Resumen y conclusión
Requerimientos
- Comprensión de las redes neuronales artificiales
- Familiaridad con los marcos de aprendizaje profundo (Caffe, Torch, etc.)
- Experiencia en programación en Python
Audiencia
- Investigadores de IA
- Desarrolladores
Testimonios (4)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Introduction to the use of neural networks
I liked the opportunities to ask questions and get more in depth explanations of the theory.