
最新のディープラーニング技術とオブジェクト認識
dlbro
リアルタイムオブジェクト認識モデルである初期YOLOモデルから最新モデルまで学べる講義です。さらに、オブジェクト認識に加えて、さまざまなディープラーニング技術を学びます。
初級
Deep Learning(DL), Computer Vision(CV)
ディープラーニング次世代革新技術の一つである物理情報ニューラルネットワークを勉強し、Pytorchを利用して直接実装を行う講義です。 人工知能の次世代革新技術を私と一緒に学びましょう!
受講生 212名
難易度 初級
受講期間 無制限


学習した受講者のレビュー
5.0
아쿠아라이드
現業でPINNについてキーワードを聞いてとても気になっていた車でしたが、関連資料も多くなく、体系的に説明した韓国語講座はこれ以上ありませんでした。 もしもう少し複雑な実戦問題を扱ってくれるadvanced追加PINN講義を開設して頂ければ私は100%受講いたします。できません〜〜例えば3次元CFD問題とか天気予報画像予測、3D機械システムの衝突あるいは挙動などの実戦問題に適用した事例をadvanced講座でcode levelで解くことができれば、現業適用に役立つことが本当に多いようです。もちろん今講義もイチオシです^^
5.0
ab
怖くて難しいのに、誰かはこんな説明してくれるのがいいですね。国内にはこれほど講義が稀です。笑
5.0
신동훈
グッド
人工知能の次世代革新技術である物理情報ニューラルネットワークの概念
パイトーチを用いた物理情報ニューラルネットワークの構築
.png?w=960)
近年、物理法則を統合したディープラーニングモデルが人工知能を活用した問題解決の新たな鍵となっています。ジェンセンファンNVIDIAのCEOは、AIの次の波は物理的な世界を学習するAIになるだろうとし、可能性を強調したりしました。その中で最も注目されるモデルは物理情報ニューラルネットワーク(PINN)です。

[Googleトレンド] physics-informed neural networksの高騰の関心度
物理情報ニューラルネットワーク(Physics-informed neural networks)は、物理情報を学習して作成された人工ニューラルネットワークです。これはニューラルネットワークの性能と物理情報の組み合わせにより、限られたデータでも複雑なシステムを正確に構築できる技術で、産業分野でも次世代革新技術とみなしています。

AI コンピューティングの先頭を走るNVIDIAでも、物理ベースの機械学習モデルをイノベーション技術と紹介し、同社のAIフレームワークModulusを発売しました。 NVIDIAを含むアマゾン、フィリップス、エクソンモービル、スペースX、BMW、シーメンスなど多くの企業が物理情報ニューラルネットワークに投資および開発を行っており、物理ベースの機械学習モデルが業界全体で次世代イノベーションを牽引すると期待しています。
ディープラーニングに物理法則を統合した物理情報ニューラルネットワークは、従来のディープラーニングが解決できなかった様々な難題を解決し、ディープラーニングを適用する産業群を拡張しています。特に最近では医療(新薬開発)、環境(気候予測)、建築(構造設計)などに導入され、魅力的な技術として注目されています。

Nvidiaのモジュラス
人工ニューラルネットワークの基本的な学習方法である地図学習は、一般的に膨大な量のデータを必要とします。一方、物理情報ベースの学習は物理法則に基づいて予測するため、データなしでまたは少量のデータを使用するだけで正確なモデルを構築できます。

物理情報ニューラルネットワーク
物理情報ニューラルネットワークは、さまざまな技術と統合することができ、さまざまな分野で精度を向上させることができ、既存の方法と比較して演算速度を大幅に向上させることができます。また、物理法則に基づいてモデルの予測と決定プロセスが行われるため、比較的ディープラーニングの「ブラックボックス」の問題を解決するのに役立ちます。

FEM vs PINN

このレッスンでは、概念学習後のさまざまな問題に対してモデルを直接実装します。
✅数学が障壁にならないよう、微分概念から取り上げます。
✅物理情報ニューラルネットワークの概念とニューラルネットワークの学習原理を紹介します。
✅6つの実習で物理情報ニューラルネットワークを直接実装できます。
練習は、別途のインストールを必要としないGoogleコラボレーションで行われます。 Googleアカウント(無料)が必要で、コラボが使用できない場合は、練習に支障をきたす可能性があります。
クラスで使用されるスライドとコードの両方が提供されます。
パイトッチを使ってモデルを実装します。
指導学習、傾斜下降法などの若干のディープラーニング基本知識が必要です。
この講義には微分方程式、数値解析などの数学内容が多数含まれています。しかし、微分知識がない方も聞けるように講義を構成しました。
この講義は質問できる講義です。クラス関連の質問はいつでも歓迎します。 :)
学習対象は
誰でしょう?
人工知能関連大学/大学院を準備する方
人工知能の未来に従いたい人
ディープラーニング次世代革新技術を経験したい方
前提知識、
必要でしょうか?
欲しい情熱
ディープラーニングの基礎知識
Pythonの基礎知識
5,306
受講生
423
受講レビュー
261
回答
4.7
講座評価
7
講座
こんにちは。
ディープラーニング/機械学習関連のYouTubeを運営しているディープラーニング・ホヒョンです。
数学/データ分析を専攻し、多数のマシンラーニング/ディープラーニングプロジェクトを完了、および遂行しています。
機械学習、高度な機械学習、ディープラーニング、最適化理論、強化学習などの人工知能の内容と、線形代数学、微積分、確率・統計、解析学、数値解析などの数学の内容まで、皆さんと共有できる知識を持っています。 toán học như đại số tuyến tính, giải tích, xác suất và thống kê, giải tích học, giải tích số. including linear algebra, calculus, probability and statistics, analysis, and numerical analysis.
皆さん、はじめまして!
§ プロフィール
大企業 Research Engineer - スマートファクトリー関連モデルの開発
ドイツ数学博士
§ 関連経歴
SCI(E)論文、国際学会発表多数
人工知能関連の大学諮問多数
ドイツ研究所 Doctoral/Post Doctoral Researcher
大手企業 Research Engineer - 新製品開発
「ディープラーニングのためのPyTorch入門」著書(2022年世宗図書学術部門優秀図書に選定)
全体
19件 ∙ (2時間 22分)
講座資料(こうぎしりょう):
8. 物理情報ベースの学習方法
08:11
10. パイトッチ基本
13:53
12. 人工ニューラルネットワーク
09:42
13. 最適化
06:43
全体
27件
4.7
27件の受講レビュー
受講レビュー 12
∙
平均評価 5.0
5
現業でPINNについてキーワードを聞いてとても気になっていた車でしたが、関連資料も多くなく、体系的に説明した韓国語講座はこれ以上ありませんでした。 もしもう少し複雑な実戦問題を扱ってくれるadvanced追加PINN講義を開設して頂ければ私は100%受講いたします。できません〜〜例えば3次元CFD問題とか天気予報画像予測、3D機械システムの衝突あるいは挙動などの実戦問題に適用した事例をadvanced講座でcode levelで解くことができれば、現業適用に役立つことが本当に多いようです。もちろん今講義もイチオシです^^
受講評 ありがとうございます。気になったら、いつでも質問してください!
バッテリーや寿命に適用するアドバンスドな講義を作成いただけないでしょうか? コード中心の説明だと助かります。
受講レビュー 7
∙
平均評価 5.0
受講レビュー 6
∙
平均評価 4.5
受講レビュー 1
∙
平均評価 5.0
5
怖くて難しいのに、誰かはこんな説明してくれるのがいいですね。国内にはこれほど講義が稀です。笑
難易度調整に悩みが多かったのですがこんなに絶賛してくれてありがとう。熱気になって、いつでも質問してください!
受講レビュー 1
∙
平均評価 5.0
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!