![[改訂版] Python機械学習完全ガイド강의 썸네일](https://cdn.inflearn.com/public/courses/324238/cover/7e380aa0-48ba-4ee7-a6b2-8da7900568d6/324238-eng.png?w=420)
[改訂版] Python機械学習完全ガイド
dooleyz3525
理論中心の機械学習講座から脱却し、機械学習の核心的な概念を簡単に理解できるだけでなく、実践的な機械学習アプリケーションの実装能力を身につけることができます。
초급
Python, Machine Learning(ML), Statistics
ディープラーニング・CNNの核心理論から多様なCNNモデルの実装方法、実践問題を通じた実務ディープラーニング開発のノウハウまで、 PytorchベースのディープラーニングCNN技術の専門家として生まれ変わりたいなら、この講義をご一緒ください:)
受講生 423名
ディープラーニング、CNNを構成するコア技術要素および主要モデルの理解
Pytorchを活用したモデル構築および学習過程の理解
CNNを活用した画像分類と性能最適化技法
事前学習済みモデルとファインチューニングを活用した性能改善
多様なイメージ Augmentation 技法とこれを活用したモデル性能向上技法
イメージの前処理、データ加工、モデル生成、最適性能改善、性能評価など、実務ディープラーニング開発ワークフロー
✅
すでに検証済みの講義。 Pytorchによるリニューアル
受講生2千+a人、評価5.0の評価を受けたディープラーニングCNN完璧ガイド(TFKeras)
さらに強化された実習と最新トレンドを盛り込んでPytorchバージョンに戻りました。
✅
40時間、320p分の深い理解
CNNの基本原理と、主要モデル、パフォーマンス最適化技術を体系的に学習します。これにより、CNNを深く理解し、自分でモデルを最適化する実力を持つことができます。
✅
ディープラーニング実務ワークフローを体験
画像前処理からモデル生成、性能改善、ファインチューニング、評価まで!ディープラーニング開発プロセスに従い、実践的な経験を積むことができます。
✅
Pytorchを深く掘り下げる講義
PyTorchの主な概念を明確に理解し、さまざまな実践を通じてモデル構築から最適化まで自由自在に活用できます。
自律走行、スマートシティ、医療映像診断、AR/VRなど先進技術分野で急速に広がっているコンピュータビジョン。
ディープラーニングベースのコンピュータビジョン技術は、産業の自動化と技術革新を加速しており、今後も継続的な需要とキャリアの機会をつくる分野です。
テスラはカメラベースの自律走行システムを構築し、既存のセンサー中心のアプローチを革新しています。 BMWはAIベースのVisionシステムをスマートファクトリー(Smart Factory)に導入し、製造プロセスを自動化しています。さらに、 Amazonは、Computer Visionテクノロジを採用した物流ロボットを活用して、物流処理速度を40%以上向上させています。
CNN(Convolutional Neural Network)がコンピュータビジョンの基本的で重要な理由は、他のモデルと比較して画像処理に最適化された構造と、実用化モデルの基盤となる強力なパフォーマンスを提供するためです。
✅画像の特徴を最もよく見つけるモデル
✅YOLO 、Mask R-CNN、ResNetなど多くの商用化モデルのコアベース
✅転移学習により少ないデータでも高い性能を確保、実務に迅速に適用可能
今日、コンピュータビジョン技術が急速に発展しているので、実務ですぐに活用できるCNNモデルを正確に理解して活用することが不可欠です。この講義では、PyTorchベースでCNNの原理から実習まで段階的に学習し、実務プロジェクトでもすぐに適用できる実戦能力を積み上げることができます。
ディープラーニングとCNNの核心基盤知識を深い理論と実習を通じて皆さんの頭の中にインストールさせます。
Pytorchを構成するコアFrameworkの詳細な説明と実践を通じて、Pytorchを自在に活用してCNNアプリケーションを実装するのに役立ちます。
さまざまなデータセットと実践的な問題により、CNNイメージ分類モデルを自由に実装し、Augmentation、Learning Rateの最適化、EfficientNetの活用など、最新のパフォーマンスチューニング手法を習得できます。
CNNをイメージ分類モデルを超えてさらに拡張されたアプリケーションに使用するには、Modern CNNモデルの進歩とコア技術を理解することが重要です。この目的のために、AlexNet、VGGNet、GoogLeNet(Inception)、ResNetなどの主要なCNNモデルのアーキテクチャと特性、そしてそれらの実装方法をソースコードレベルで詳細に説明します。
直接実装して学ぶ傾斜下降法から、誤差反転波、活性化関数、Loss関数、Optimizerまで、ディープラーニングの基礎知識をしっかり身につけることができるように、様々な資料と実習コード、詳細な説明で構成しました。
Tensorの取り扱いから、nn.Module、サブモジュール、Layer、モジュール化、Train Loopまで、Pytorchのネットワークモデルを構成するための重要な要素を、次々と詳細な説明と実習で簡単に理解できます。
様々な視覚資料や実習でCNNの主要コンポーネントを簡単に理解できるように作成し、よりAdvancedな性能向上技術まで自然に理解できるように講義を構成しました。
Datasetを設定し、DataLoaderを呼び出す基本的な使用法を超えて、DatasetとDataLoaderの主なパラメータと対話メカニズムについて詳しく説明します。
torchvision と timm に基づく Pretrained モデルを活用して Custom モデルと Fine Tuning を構成できるように
Model CheckpointとEarly Stopping機能を直接実装しながら体得し、Torchmetricsを使用してさまざまな評価指標を適用する方法をお知らせします。
torchvision transform、Albumentationsなどのライブラリの使い方から、さまざまなAugmentation技法とCutMix適用を実習を通じてお知らせし、Augmentation適用によるモデル性能向上方法についてもお話しします。
AlexNet、VGGNet、GoogLeNet(Inception)、ResNetなど重要なコアCNNモデルのアーキテクチャと特性、そしてこれらのモデルの実装をソースコードレベルで詳細に説明します。また、EfficientNet V1、V2についても簡単な理論説明でモデル理解をお手伝いします。
総合的な練習問題により、以前まで取り上げた最新のCNNモデルとさまざまなモデル最適化方法を適用しながら、専門家レベルの差別化された実践能力を備えています。
練習環境は、Kaggleが提供するノートブックカーネルで行われます。 Kaggleにサインアップした後、Codeメニューを選択すると、Colabと同様のJupyter Notebook環境ベースでP100 GPUを1週間に30時間無料で使用できます。
学習対象は
誰でしょう?
ディープラーニングとCNNに対する力量を大幅に向上させたい方
自信を持ってPytorch活用能力を向上させたい方
コンピュータビジョン分野でディープラーニング画像分類モデルを活用しようとする方
KaggleやDACONの画像分類コンペの準備をされている方
前提知識、
必要でしょうか?
Python機械学習パーフェクトガイドの前半、最初からセクション4章の評価(Evaluation)まで基礎理解
25,933
受講生
1,276
受講レビュー
3,961
回答
4.9
講座評価
13
講座
(전) 엔코아 컨설팅
(전) 한국 오라클
AI 프리랜서 컨설턴트
파이썬 머신러닝 완벽 가이드 저자
全体
217件 ∙ (41時間 33分)
講座資料(こうぎしりょう):
6. セクション概要
00:30
7. 機械学習の理解
12:28
8. 深層学習の概要
13:05
9. ディープラーニングの長所と短所、および特徴
16:03
10. PytorchのTensor入門
07:44
14. テンソルの次元と次元軸の理解
08:28
18. argmaxを使用する
07:35
20. 多様なインデックス
11:56
22. セクションの概要
02:22
24. 回帰の概要と RSS、MSE の理解
13:36
25. 勾配降下法の理解
17:43
29. 確率的勾配降下法の実装
10:11
30. ミニバッチ勾配降下法を実装する
11:55
33. 深層ニューラルネットワークの理解
11:16
42. セクション概要
01:31
43. Pytorch パッケージ構成の概要
09:15
48. サブモジュールについて
13:18
50. forwardメソッドと動的計算グラフ
12:34
51. torchinfoのsummary活用
15:18
55. DataLoaderを作成する
11:17
65. オプティマイザーを適用してみる
12:54
66. torch deviceについて
12:30
68. Training Loopの基本実装
14:09
70. 学習済みモデルで予測する
13:39
83. カーネルと特徴マップ
12:42
88. プーリング
12:05
89. CNNモデルを実装する
14:49
100. 重み(Weight)の初期化
10:19
106. Dropoutについて
12:37
108. ラーニングレートスケジューラーの理解
07:08
112. StepLRとCycleLRについて
14:25
114. Weight Decay
07:45
122. 事前学習済みモデルと転移学習の理解
11:57
127. timm の概要
05:46
130. timm, さらに詳しく
09:44
132. 微調整学習で犬と猫判別モデルを学習する
18:20
138. Torchmetrics の紹介
10:16
145. 回転とアフィン適用
05:18
146. ColorJitterとBlurの適用
06:25
160. CutMixの紹介
11:05
161. CutMix適用イメージの可視化
19:37
162. CutMixアルゴリズムの実装
11:54
164. 歴代主要CNNモデルの傾向と特徴
11:53
165. AlexNetの概要と実装コードの理解
16:04
166. VGGNetの理解
12:42
167. VGG16を実装する - 01
16:55
172. 1x1 Convolutionの理解
14:02
180. ResNet 34モデルの実装概要
08:56
184. ResNet 34モデルを実装する
13:06
185. ResNet 50モデルの実装概要
06:16
187. ResNet 50モデルを実装する
09:39
189. EfficientNet V1について
17:07
192. EfficientNet V2について
16:21
194. 犬種識別モデルの学習と最適化の概要
05:03
196. 犬種識別データとイメージを見てみる
14:06
217. 終わりに
01:09
全体
23件
5.0
23件の受講レビュー
受講レビュー 4
∙
平均評価 4.5
修正済み
受講レビュー 1
∙
平均評価 5.0
修正済み
5
現在セクション9まで聞きましたが、最高の講義だと思います。 もしかして、object detectionのようなadvancedな講義はいつ頃アップロードされる予定ですか?
お褒めの言葉、大変ありがとうございます。後続の講義は今年の秋になる前に完了する予定です。
受講レビュー 6
∙
平均評価 4.7
受講レビュー 1
∙
平均評価 5.0
受講レビュー 4
∙
平均評価 4.3
修正済み
¥12,950
知識共有者の他の講座を見てみましょう!
同じ分野の他の講座を見てみましょう!