توضیحات

همه چیز درباره یادگیری خود نظارتی (SSL) در پایتون

نام دوره : Self-Supervised Learning A-Z: Theory & Hands-On Python

پیش نیاز:

• مهارت های برنامه نویسی پایتون 3+
• دانش یادگیری ماشین
• آشنایی با TensorFlow 2.X
• یک جیمیل و یک مرورگر وب (ترجیحاً گوگل کروم)

توضیحات:

“اگر هوش یک کیک است، بخش عمده آن یادگیری خود نظارتی است، بستنی روی کیک یادگیری نظارت شده است، و گیلاس روی کیک یادگیری تقویتی است.”

برخی از “باید” ها قبل از شروع

شما باید با معماری های یادگیری عمیق، از جمله پشته های لایه های کانولوشن، تکرارشونده، متراکم، ادغام، میانگین و نرمال سازی با استفاده از کتابخانه TensorFlow در Python 3+ آشنا باشید.

شما باید بدانید که چگونه با استفاده از کتابخانه TensorFlow در Python 3+، مدل های یادگیری عمیق چند لایه را توسعه دهید، آموزش دهید، و آزمایش کنید.

موضوع

این دوره به شما “یادگیری با نظارت خود” (SSL) که به عنوان “یادگیری بازنمایی” نیز شناخته می شود، می آموزید.

SSL یک موضوع نسبتا جدید و داغ در یادگیری ماشینی برای مقابله با مخازن با داده های برچسب محدود است.

دو تکنیک کلی SSL وجود دارد، کنتراستیو و مولد. تمرکز این دوره فقط بر روی مدل های کنتراست نظارت شده و بدون نظارت است.

چندین مثال و آزمایش در این دوره برای درک کامل ایده SSL وجود دارد.

دامنه تمرکز ما دامنه تصویر است، اما می‌توانید آنچه را که یاد می‌گیرید در حوزه‌های دیگر، از جمله رکوردهای موقت و پردازش زبان طبیعی (NLP) اعمال کنید.

در هر سخنرانی، می توانید به نوت بوک های Python .ipynb مربوطه دسترسی داشته باشید.

نوت بوک ها بهتر است با شتاب دهنده GPU اجرا شوند. برای جزئیات بیشتر سخنرانی زیر را تماشا کنید.

سخنرانی‌ها برای بهترین عملکرد در Google Colab با شتاب‌دهنده‌های GPU ایجاد شده‌اند.

نسخه TensorFlow مورد استفاده در این سخنرانی‌ها «2.8.2» است. می‌توانید از %tensorflow_version 2.x در اولین خانه نوت‌بوک پایتون خود استفاده کنید.

بررسی اجمالی همه چیز درباره یادگیری خود نظارتی (SSL) در پایتون

چهار بخش و ده سخنرانی:

• بخش 01: مقدمه.

سخنرانی 01: مقدمه ای بر دوره.

سخنرانی 02: نوت بوک های پایتون.

• بخش 02: مدل های نظارت شده.

سخنرانی 03: یادگیری تحت نظارت.

سخنرانی 04: آموزش انتقال و تنظیم دقیق.

• بخش 03: وظیفه برچسب زدن.

سخنرانی 05: چالش های برچسب زدن.

• بخش 04: یادگیری خود نظارتی.

سخنرانی 06: یادگیری خود نظارتی.

سخنرانی 07: بهانه متناقض نظارت شده، آزمایش 1.

سخنرانی 08: بهانه متناقض نظارت شده، آزمایش 2.

سخنرانی 09: SimCLR، یک مدل بهانه متناقض بدون نظارت.

سخنرانی 10: آزمایش SimCLR.

دوره همه چیز درباره یادگیری خود نظارتی (SSL) در پایتون برای چه کسانی است:

• دانشجویان و علاقه مندان به یادگیری ماشین
• کسانی که می خواهند یادگیری خود نظارتی را یاد بگیرند و آن را در پایتون 3+ تمرین کنند