広範な実用アプリケーションをカバーするコンピューター ビジョンと自然言語処理の分野で人気のある事前学習済みモデルを活用して、PyTorch を利用した AI アプリケーションのプロトタイピングを開始します。
トレーニングコース
PyTorch Essentials: An Applications-First Approach (LFD273)
対象者
このコースは、PyTorch に深層学習モデル (特にコンピューター ビジョンと自然言語処理の事前訓練モデル) を追加して、アプリケーションのプロトタイプを迅速に作成して展開したいと考えている機械学習の実践者向けに設計されています。
少なく読む
続きを読む
学習内容
このコースは、モデル クラス、データセット、データ ローダー、訓練ループなどの PyTorch の概要から始まります。次に、転移学習の役割と能力、および事前学習済みモデルでの転移学習の使用方法について説明します。実践的なラボ演習では、画像分類、オブジェクト検出、感情分析、テキスト分類、テキストの生成/完成などの複数のトピックを取り上げます。また、データを使用して既存のモデルを微調整したり、サードパーティ API を活用したりします。
少なく読む
続きを読む
身につく知識
このコースでは、コンピューター ビジョンと自然言語処理タスク用の事前学習済みモデルの豊富な PyTorch や Hugging Face エコシステムを使用して、ディープ ラーニング モデルを訓練および微調整するための実践的な経験を提供します。さらに、TorchServe を使用してプロトタイプ アプリケーションをデプロイし、アプリケーションを迅速に検証してデモすることができます。
少なく読む
続きを読む
第1章 イントロダクション
第2章 PyTorch、データセット、モデル
第3章 最初のデータセットの構築
第4章 最初のモデルを訓練する
第5章 最初のデータパイプラインの構築
第6章 転移学習と事前学習済みモデル
第7章 コンピューター ビジョン用の事前学習済みモデル
第8章 自然言語処理用の事前学習済みモデル
第9章 トーチビジョンによる画像分類
第10章 コンピューター ビジョン用の事前学習済みモデルの微調整
第11章 TorchServe を使用したモデルの提供
第12章 オブジェクト検出と画像セグメンテーションのためのデータセットと変換
第13章 物体検出と画像セグメンテーションのモデル
第14章 物体検出の評価
第15章 単語の埋め込みとテキストの分類
第16章 Transformersを使用した文脈語埋め込み
第17章 NLPタスク用のHugging Faceパイプライン
第 18 章 Q&A、要約、LLM
前提条件
- Python (オブジェクト指向プログラミング (OOP) の概念)
- PyData スタック (Numpy – 配列、スライス、ベクトル化操作 – 、Pandas – シリーズ、スライス、インデックス付け、変換 – 、Matplotlib – 基本的なプロットのみ – 、Scikit-Learn – 線形回帰、パイプライン、one-hot エンコーディング、正規化/スケーリング、グリッド検索、ハイパーパラメーター最適化)
- 機械学習の概念 (教師あり学習：回帰と分類。損失関数：RMSE、クロスエントロピー。train-validation-test split（= 訓練・検証・テストの分割）。評価指標（決定係数、適合率、再現率、正解率、混合行列））
実習について
- Google アカウント (Google Colab 用、無料枠)
オンライン、セルフペース
40時間のコース教材
演習問題と宿題 1
オンライン コースへの12か月間のアクセス権
デジタル バッジ
ディスカッションフォーラム
