トレーニングと認定

トレーニング > AI /機械学習 > PyTorch Essentials: An Applications-First Approach (LFD273)

トレーニングコース

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。

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。

折りたたむ続きを読む

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。

折りたたむ続きを読む

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。

折りたたむ続きを読む

おもなテーマ

第1章コースのご案内

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Hugging Faceデータセットの構築

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

このコースから最大限の価値を得るには、次のことを理解しておく必要があります。

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

このコースのラボ演習を行うには、次のものが必要です。