+48 22 203 56 00 biuro@sages.pl
Szkolenie dostępne na zamówienie

Szkolenie: Zastosowania SOTA w przetwarzaniu konkretnych danych

W systemach wykorzystujących szeroko rozumianą sztuczną inteligencję coraz częściej wykorzystujemy dane takie jak teksty, grafy czy chmury punktów 3D. Praktyczne zastosowanie modeli uczenia maszynowego do takich danych wiąże się z wieloma wyzwaniami, takimi jak duży rozmiar modeli (problemy z pamięcią oraz czasem odpowiedzi), brak modeli gotowych do użycia na produkcji czy niewielkie ilości dostępnych danych treningowych. Sieci neuronowe dedykowane do przetwarzania danych 3D muszą być niezmiennicze na obroty i permutacje. Z kolei przetwarzanie danych o strukturze grafowej z wykorzystaniem sieci neuronowych wymaga zastosowania dedykowanych modułów, które potrafią agregować informacje z takich danych. W ramach szkolenia omówiona zostanie tematyka efektywnego wykorzystania najnowszych modeli językowych opartych na architekturze Transformera. Poruszone zostaną kwestie trenowania wyspecjalizowanych modeli oraz problemów z ich rozmiarem i szybkością. Ponadto omówione zostaną architektury dedykowane do przetwarzania chmur punktów i grafów.

  • Trenerzy praktycy
  • Kameralne grupy

Czas trwania szkolenia:2 dni (16h)

Poziom zaawansowania:

Kod kursu:DL/SOTA

neural-networks

Szkolenie na zamówienie

  • Dostosowany program
  • Indywidualna wycena
  • Dowolny termin
Zapytanie o szkolenie

Zastosowania SOTA w przetwarzaniu konkretnych danych

Cele szkolenia

  • Poznanie najnowocześniejszych algorytmów przetwarzania języka naturalnego opartych na architekturze transformera

  • Zapoznanie się z metodami przetwarzania danych 3D, w szczególności chmur punktów, z wykorzystaniem metod sztucznej inteligencji

  • Poznanie architektur sieci neuronowych dedykowanych do przetwarzania danych o strukturze grafowej

  • Zdobycie umiejętności praktycznego zastosowania omawianych algorytmów

Dla kogo?

  • Szkolenie adresowane jest do osób zajmujących się na co dzień głębokim uczeniem, które chcą być na bieżąco z najnowszymi trendami

  • W szczególności szkolenie przeznaczone jest dla programistów stosujących sztuczną inteligencję w przetwarzaniu języka naturalnego, przetwarzaniu chmur punktów lub pracy z danymi o strukturze grafowej

Zalety

  • Zajęcia prowadzone przez specjalistów, którzy na co dzień pracują z modelami do przetwarzania języka naturalnego, chmur punktów oraz grafów

  • Możliwość zapoznania się z zagadnieniami związanymi z wdrażaniem najnowocześniejszych modeli głębokiego uczenia w środowiskach produkcyjnych

  • Praktyczne zadania pozwalające dokładnie zrozumieć przekazywaną teorię

Wymagania

  • Od uczestników szkolenia wymagana jest znajomość podstaw działania sieci neuronowych oraz znajomość narzędzi do ich implementacji w języku Python (np. PyTorch)

W cenie otrzymasz:

  • Materiały szkoleniowe

  • Certyfikat ukończenia szkolenia

  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Program szkolenia

Pobierz program w PDF

Praktyczne aspekty wdrażania najnowocześniejszych modeli głębokiego uczenia

  • Wydajność dużych modeli

  • Dostępność przetrenowanych wag

  • Dostępność danych uczących

SOTA w NLP

  • Architektura Transformer

  • Zastosowania Transformerów

  • Optymalizacja rozmiaru oraz efektywności modeli

  • Wdrażanie Transformerów w praktyce

Przetwarzanie chmur punktów 3D

  • Wymagania związane z przetwarzaniem danych 3D

  • Metody przetwarzania chmur 3D z wykorzystaniem sieci neuronowych

  • NeRF

  • Hiper sieci w przetwarzaniu chmur punktów 3D

Wykorzystanie sieci neuronowych do pracy z danymi o strukturze grafowej

  • Przykłady danych o strukturze grafowej oraz zastosowań sztucznej inteligencji do ich przetwarzania

  • Sieci grafowe

Podobne szkolenia

Interpretowalne uczenie maszynowe

Liczba dni: 2
Na zamówienie

Współczesne metody uczenia maszynowego stają się kluczowymi elementami wielu aplikacji, na przykład w przemyśle, medycynie czy sektorze finansowym. Niestety, metody te działają zazwyczaj na zasadzie czarnych skrzynek, które zwracają predykcje bez wyjaśnienia podejmowanych decyzji. Jest to problematyczne, bo uczenie maszynowe coraz częściej wkracza w różne aspekty życia społecznego. Dlatego organy regulacyjne coraz częściej wymagają tłumaczenia procesów decyzyjnych w celu zapewnienia zaufania i przejrzystości. W ramach szkolenia przedstawimy podstawowe metody wyjaśniania decyzji modeli uczenia maszynowego oraz ich praktyczne zastosowania.

neural-networks

Zwiększanie wydajności sieci neuronowych

Liczba dni: 3
Na zamówienie

Sztuczne sieci neuronowe do osiągnięcia oczekiwanych rezultatów często wymagają znaczących nakładów obliczeniowych, a co za tym idzie również nakładów kapitałowych. Waga tego problemu rośnie w czasie, wraz ze zwiększającą się ilością przetwarzanych przez modele danych, oraz ich penetracją rynku i wszelakich aplikacji. Szkolenie pokrywa szereg zagadnień związanych ze zwiększeniem wydajności sztucznych sieci neuronowych, w szczególności zagadnienia, którymi zajmujemy się w ramach prowadzonego projektu BioNN.

neural-networks

Nienadzorowana reprezentacja, autoenkodery i modele generatywne

Liczba dni: 3
Na zamówienie

Jednym z ważniejszych zadań Deep Learningu jest budowa reprezentacji danych. Ponieważ często mamy do dyspozycji dużą liczbę niepoetykietowanych danych (wysokie koszty), w ostatnim czasie widzimy coraz większe zainteresowanie konstrukcją nienadzorowanych reprezentacji za pomocą metod kontrastywnych (contrastive learning). Drugim istotnym narzędziem do konstrukcji reprezentacji są modele bazujące na strukturze AutoEnkodera. Pozwalają one w szczególności uzupełniać brakujące części zdjęć (missing imputation), kompresować dane, usuwać szum (denoising AutoEncoder) lub też wyszukiwać odstające obserwacje (outliers). Rozszerzenie AutoEnkodera do modeli generatywnych jak VAE (variational AutoEncoder) pozwala nam na generowanie danych, interpolację między danymi czy ich manipulację. Inne ważne modele generatywne to GANy, które pozwalają na generowanie fotorealistycznych zdjęć czy ich modyfikowanie (text-to-speech, image impainting, etc) czy modele pozwalające na estymację gęstości (modele flowowe). W ramach szkolenia omówiona zostanie tematyka budowy nienadzorowanych reprezentacji danych oraz modele generatywne, przechodząc od tych posiadających strukturę AutoEnkodera, po GANy oraz modele gęstościowe.

neural-networks