- Leren door doen
- Trainers met praktijkervaring
- Klassikale trainingen
- Gedetailleerd cursusmateriaal
- Duidelijke inhoudsbeschrijving
- Maatwerk inhoud mogelijk
- Trainingen die doorgaan
- Kleine groepen
In de cursus Machine Learning met PyTorch van SpiralTrain leren data scientists, data engineers en aspirant machine learning professionals hoe ze de kracht van het PyTorch Framework kunnen gebruiken voor de creatie van machine learning applicaties met behulp van Python en de Torch library. De cursus behandelt fundamentele concepten en geavanceerde technieken en biedt praktische exercises in het spannende veld van machine learning.
De cursus Machine Learning met PyTorch biedt een uitgebreide introductie tot de krachtige mogelijkheden van PyTorch. In deze cursus worden de basisprincipes van tensors, autograd en het PyTorch-ecosysteem behandeld. U leert hoe u PyTorch kunt toepassen in verschillende machine learning-toepassingen.
Vervolgens wordt ingegaan op lineaire regressie in PyTorch voor het voorspellen van resultaten. Hierbij komt optimalisatie aan bod met gradient descent, loss functions, regularisatietechnieken en evaluatiemetingen. Dit vormt de basis voor het bouwen van voorspellende modellen.
Dan worden neurale netwerken met PyTorch besproken, waarbij activation functions en backpropagation centraal staan. U leert hoe deze technieken bijdragen aan het verbeteren van modelprestaties.
Eveneens komen classificatietaken in PyTorch aan de orde, zoals logistieke regressie en cross-entropie losses. Zowel binaire als multiclass classificatie worden behandeld, zodat u een breed scala aan classificatiemethoden kunt toepassen.
Modelontwikkeling is een cruciaal onderdeel van de cursus Machine Learning met PyTorch. U leert hoe u complexere modellen kunt bouwen op basis van fundamentele bouwstenen, inclusief feature engineering en hyperparameter tuning.
Vervolgens wordt behandeld hoe PyTorch kan worden ingezet bij Natural Language Processing, zoals tekstclassificatie, named entity herkenning en sequentie-naar-sequentie modellen voor machinale vertalingen. Dit opent de deur naar geavanceerde taalmodellen.
En ook reinforcement learning met PyTorch staat op het programma. Hierbij worden onder andere Markov Decision Processes, Q-Learning, Policy Gradients en Actor-Critic Methods besproken. Dit biedt een diepgaand inzicht in hoe agents leren van hun omgeving.
Daarnaast komt het gebruik van PyTorch voor image processing aan bod, waarbij ingegaan wordt op classificatie en objectdetectie. U leert hoe u visuele gegevens kunt analyseren en interpreteren.
Tenslotte wordt aandacht besteed aan het optimaliseren van machine learning modellen in PyTorch, met het oog op betere performance en efficiëntie. Technieken zoals batch normalisatie, hyperparameter tuning en pruning worden diepgaand besproken.
Voor meer informatie over de basis van machine learning, kunt u ook onze cursus Machine Learning met Python bekijken. Voor de officiële documentatie van PyTorch, bezoek de PyTorch website.
De cursus Machine Learning met PyTorch is bedoeld voor data scientists die Python en de Torch machine learning library willen gebruiken voor het maken van modellen en het doen van voorspellingen.
Om aan deze cursus te kunnen deelnemen is kennis van en ervaring met Python vereist en kennis van data analyse libraries zoals Numpy en Pandas wenselijk.
De theorie wordt behandeld aan de hand van presentaties. Illustratieve demo's verduidelijken de concepten. De theorie wordt afgewisseld met oefeningen.
De deelnemers krijgen na het goed doorlopen van de cursus een certificaat van deelname aan Machine Learning met PyTorch.
Module 1 : Intro PyTorch |
Module 2 : Linear Regression |
Module 3 : Neural Networks |
|
Machine Learning Intro Overview of PyTorch Installing Anaconda Setting Up PyTorch PyTorch Tensors Tensor Operations Simple Neural Networks Datasets and DataLoaders Fundamentals of Autograd Model Evaluation Metrics |
Linear Regression in PyTorch Gradient Descent Optimization Mean Squared Error Regularization Techniques Feature Scaling Feature Normalization Categorical Features Model Evaluation Metrics RMSE, MAE, R-squared Hyperparameter Tuning |
Neural Networks Intro Building NN with PyTorch Multiple Layers of Arrays Convolutional Neural Networks Activation Functions Loss Functions Backpropagation Gradient Descent Stochastic Gradient Descent Recurrent Neural Networks |
Module 4 : Classification |
Module 5 : Model Building |
Module 6 : Natural Language Processing |
|
Logistic Regression Binary Classification Multi-class Classification Cross-Entropy Confusion Matrix Precision and Recall ROC Curve Handling Imbalanced Data Regularization Techniques Hyperparameter Tuning |
PyTorch Models Model Components Parameters Common Layer Types Linear Layers Convolutional Layers Input Channels Recurrent Layers Transformers Data Manipulation Layers |
NLP Overview Text Preprocessing Tokenization Stopword Removal Spam Detection Bag-of-Words Word Embedding Sentiment Analysis Attention Mechanisms Transformer Models |
Module 7 : Reinforcement Learning |
Module 8 : Image Processing |
Module 9 : Model Optimization |
|
Intro Reinforcement Learning Markov Decision Processes Q-Learning Deep Q-Networks Policy Gradient Methods Actor-Critic Methods Proximal Policy Optimization Deep Policy Gradient |
Image Preprocessing Resizing and Normalization Convolution Layer Convolutional Neural Networks Object Detection Transfer Learning Semantic Segmentation Image Captioning |
Profiling PyTorch Profiler With TensorBoard Hyperparameter tuning Parametrizations Pruning torch.compile Dynamic Quantization High-Performance Transformers |
Deze bedrijven en instanties waren u al voor:
Deze bedrijven waren u voor:
