Back To Basics Week 4: Advanced Topics And Deployment - KDnuggets

Перевидано Платоном

читають: 0

Повернутися до основ, тиждень 4: додаткові теми та розгортання
Зображення автора

Приєднуйтесь до KDnuggets із нашим курсом «Назад до основ», щоб розпочати нову кар’єру або відновити свої навички в галузі обробки даних. Шлях «Назад до основ» поділений на 4 тижні з бонусним тижнем. Ми сподіваємося, що ви зможете використовувати ці блоги як посібник для курсу.

Якщо ви ще цього не зробили, перегляньте:

Переходячи до третього тижня, ми зануримося в розширені теми та розгортання.

День 1: Вивчення нейронних мереж
День 2: Знайомство з бібліотеками глибокого навчання: PyTorch і Lightening AI
День 3: Початок роботи з PyTorch за 5 кроків
День 4: Створення згорткової нейронної мережі за допомогою PyTorch
День 5: Вступ до обробки природної мови
День 6: Розгортання вашої першої моделі машинного навчання
День 7: Вступ до хмарних обчислень для науки про дані

Тиждень 4 – Частина 1: Вивчення нейронних мереж

Розкриття можливостей штучного інтелекту: посібник із нейронних мереж та їх застосування.

Уявіть собі машину, яка думає, навчається та адаптується, як людський мозок, і виявляє приховані шаблони в даних.

Ця технологія, нейронні мережі (NN), алгоритми імітують пізнання. Пізніше ми розглянемо, що таке NN і як вони функціонують.

У цій статті я поясню вам фундаментальні аспекти нейронних мереж (NN) – структуру, типи, застосування в реальному житті та ключові терміни, що визначають роботу.

Тиждень 4 – Частина 2: Вступ до бібліотек глибокого навчання: PyTorch і Lightning AI

Просте пояснення PyTorch і Lightning AI.

Глибоке навчання — це гілка моделі машинного навчання, на основі якої нейронні мережі. В іншій моделі машини обробка даних для знаходження значущих функцій часто виконується вручну або покладається на досвід домену; однак глибоке навчання може імітувати людський мозок для виявлення основних функцій, підвищуючи продуктивність моделі.

Існує багато додатків для моделей глибокого навчання, включаючи розпізнавання облич, виявлення шахрайства, перетворення мови в текст, створення тексту та багато іншого. Глибоке навчання стало стандартним підходом у багатьох передових програмах машинного навчання, і нам нічого втрачати, дізнавшись про них.

Для розробки цієї моделі глибокого навчання існують різні бібліотечні фреймворки, на які ми можемо покластися, а не працювати з нуля. У цій статті ми обговоримо дві різні бібліотеки, які ми можемо використовувати для розробки моделей глибокого навчання: PyTorch і Lighting AI.

Тиждень 4 – Частина 3: Початок роботи з PyTorch за 5 кроків

Цей підручник містить поглиблений вступ до машинного навчання за допомогою PyTorch та його високорівневої оболонки PyTorch Lightning. Стаття охоплює основні кроки від інсталяції до складних тем, пропонує практичний підхід до побудови та навчання нейронних мереж і наголошує на перевагах використання Lightning.

PyTorch це популярна платформа машинного навчання з відкритим кодом, яка базується на Python і оптимізована для обчислень із прискоренням GPU. Спочатку розроблений Meta AI у 2016 році, а тепер є частиною Linux Foundation, PyTorch швидко став одним із найпоширеніших фреймворків для досліджень і програм глибокого навчання.

Блискавка PyTorch — це легка оболонка, створена на основі PyTorch, яка ще більше спрощує процес роботи дослідника та розробки моделі. Завдяки Lightning дослідники даних можуть більше зосередитися на розробці моделей, а не на шаблонному коді.

Тиждень 4 – Частина 4: Створення згорткової нейронної мережі за допомогою PyTorch

Ця публікація в блозі містить підручник із побудови згорткової нейронної мережі для класифікації зображень у PyTorch, використовуючи згорткові шари та шари об’єднання для виділення функцій, а також повністю зв’язані шари для прогнозування.

Згорточна нейронна мережа (CNN або ConvNet) — це алгоритм глибокого навчання, спеціально розроблений для завдань, де розпізнавання об’єктів має вирішальне значення, наприклад класифікація, виявлення та сегментація зображень. CNN можуть досягти найсучаснішої точності в складних задачах зору, забезпечуючи роботу багатьох реальних програм, таких як системи спостереження, управління складами тощо.

Як люди, ми можемо легко розпізнавати об’єкти на зображеннях, аналізуючи візерунки, форми та кольори. CNN також можна навчити виконувати це розпізнавання, дізнавшись, які шаблони важливі для диференціації. Наприклад, намагаючись відрізнити фотографію кота від собаки, наш мозок зосереджується на унікальній формі, текстурі та рисах обличчя. CNN вчиться вловлювати ці ж типи відмінних характеристик. Навіть для дуже тонких завдань категоризації CNN можуть вивчати представлення складних функцій безпосередньо з пікселів.

Тиждень 4 – Частина 5: Введення в обробку природних мов

Огляд обробки природної мови (NLP) та її застосування.

Ми багато дізнаємося про ChatGPT і великі мовні моделі (LLM). Обробка природної мови була цікавою темою, темою, яка зараз штурмує світ штучного інтелекту та технологій. Так, LLMs, такі як ChatGPT, допомогли їхньому зростанню, але чи не було б добре зрозуміти, звідки все це береться? Отже, повернемося до основ – НЛП.

НЛП — це підполе штучного інтелекту, і це здатність комп’ютера виявляти та розуміти людську мову за допомогою мови та тексту так, як ми, люди, можемо. НЛП допомагає моделям обробляти, розуміти та виводити людську мову.

Мета НЛП – подолати розрив у спілкуванні між людьми та комп’ютерами. Моделі НЛП зазвичай тренуються на таких завданнях, як передбачення наступного слова, що дозволяє їм створювати контекстні залежності, а потім мати можливість генерувати відповідні результати.

Тиждень 4 – Частина 6: Розгортання вашої першої моделі машинного навчання

Лише за 3 прості кроки ви зможете створити та розгорнути модель класифікації скла швидше, ніж ви можете сказати…модель класифікації скла!

У цьому підручнику ми навчимося створювати просту модель мультикласифікації за допомогою Класифікація скла набір даних. Наша мета — розробити та розгорнути веб-додаток, який може прогнозувати різні типи скла, наприклад:

Збірка Windows Float оброблена
Збірка Windows Non-Float оброблена
Оброблено плаваючі вікна автомобіля
Вікна транспортного засобу не оброблені плаваючими (відсутні в наборі даних)
Контейнери
Посуд
світильники

Крім того, ми дізнаємося про:

Skops: поділіться своїми моделями на основі scikit-learn і запустіть їх у виробництво.
Gradio: структура веб-додатків ML.
HuggingFace Spaces: безкоштовна модель машинного навчання та платформа для розміщення програм.

До кінця цього підручника ви отримаєте практичний досвід створення, навчання та розгортання базової моделі машинного навчання як веб-програми.

Тиждень 4 – Частина 7: Вступ до хмарних обчислень для науки про дані

І потужний дует сучасних технологій.

У сучасному світі виникли дві основні сили, які змінили правила гри: наука про дані та хмарні обчислення.

Уявіть собі світ, де щосекунди генерується колосальна кількість даних. Ну... не треба уявляти... Це наш світ!

Від взаємодії в соціальних мережах до фінансових транзакцій, від медичних записів до налаштувань електронної комерції, дані всюди.

Але яка користь від цих даних, якщо ми не можемо отримати значення? Це саме те, що робить Data Science.

І де ми зберігаємо, обробляємо та аналізуємо ці дані? Ось де сяють хмарні обчислення.

Давайте вирушимо у подорож, щоб зрозуміти взаємозв’язок між цими двома технологічними дивами. Давайте (спробуємо) відкрити це все разом!

Вітаємо із завершенням 4 тижня!!

Команда KDnuggets сподівається, що курс «Назад до основ» надав читачам комплексний і структурований підхід до опанування основ науки про дані.

Бонусний тиждень буде опубліковано наступного тижня в понеділок – слідкуйте за оновленнями!

Ніша Арья є дослідником даних і позаштатним технічним автором. Вона особливо зацікавлена в наданні порад щодо кар'єри в галузі Data Science або підручників та теоретичних знань із Data Science. Вона також хоче дослідити різні способи, якими штучний інтелект є/може сприяти довговічності людського життя. Захоплено навчається, прагне розширити свої технічні знання та навички письма, водночас допомагаючи орієнтувати інших.