강의

멘토링

커뮤니티

AI Technology

/

Deep Learning & Machine Learning

Công nghệ tiên tiến thế hệ tiếp theo deep learning - Giới thiệu về mạng lưới thần kinh thông tin vật lý và thực hành Pytorch

Khóa học này nói về việc nghiên cứu các mạng lưới thần kinh thông tin vật lý, một trong những công nghệ học sâu cải tiến thế hệ tiếp theo và trực tiếp triển khai chúng bằng Pytorch. Cùng tôi tìm hiểu thế hệ công nghệ trí tuệ nhân tạo tiên tiến tiếp theo!

(4.8) 17 đánh giá

175 học viên

  • dlbro
3시간 만에 완강할 수 있는 강의 ⏰
딥러닝모델
PyTorch
Deep Learning(DL)
Machine Learning(ML)
Artificial Neural Network

Đánh giá từ những học viên đầu tiên

Bạn sẽ nhận được điều này sau khi học.

  • Khái niệm về mạng lưới thần kinh thông tin vật lý, công nghệ tiên tiến thế hệ tiếp theo trong trí tuệ nhân tạo

  • Xây dựng mạng lưới thần kinh thông tin vật lý bằng PyTorch

Các mô hình học sâu thế hệ tiếp theo mới nổi
Mạng nơ-ron thông tin vật lý (PINN)

Các mô hình học sâu tích hợp các định luật vật lý đang nổi lên như một chìa khóa mới để giải quyết vấn đề AI. Jensen Huang, CEO của NVIDIA, đã nhấn mạnh tiềm năng của AI, tuyên bố rằng làn sóng AI tiếp theo sẽ là AI học về thế giới vật lý . Trong số các mô hình này, đáng chú ý nhất là Mạng Nơ-ron Thông tin Vật lý (PINN) .



[Google Trends] Sự quan tâm ngày càng tăng đối với mạng nơ-ron nhân tạo dựa trên vật lý


Mạng nơ-ron nhân tạo (PNN) là mạng nơ-ron nhân tạo được xây dựng bằng cách học hỏi từ thông tin vật lý. Kết hợp hiệu suất của mạng nơ-ron với sức mạnh của thông tin vật lý, chúng cho phép xây dựng chính xác các hệ thống phức tạp ngay cả với dữ liệu hạn chế, và được coi là một cải tiến thế hệ tiếp theo trong lĩnh vực công nghiệp.

NVIDIA , công ty hàng đầu trong lĩnh vực điện toán trí tuệ nhân tạo (AI), cũng đã ra mắt nền tảng AI Modulus, giới thiệu các mô hình học máy dựa trên vật lý như một công nghệ đột phá . Nhiều công ty, bao gồm NVIDIA, Amazon, Philips, ExxonMobil, SpaceX, BMW và Siemens, đang đầu tư và phát triển các mạng nơ-ron dựa trên vật lý, và kỳ vọng các mô hình học máy dựa trên vật lý sẽ thúc đẩy đổi mới sáng tạo thế hệ tiếp theo trong nhiều ngành công nghiệp.

Tại sao lại sử dụng mạng nơ-ron thông tin vật lý?

(1) Giải quyết các thách thức khác nhau

Mạng nơ-ron thông tin vật lý, tích hợp các định luật vật lý vào học sâu, đang giải quyết nhiều thách thức trước đây khó khăn với học sâu và mở rộng phạm vi ứng dụng của học sâu trong các ngành công nghiệp . Gần đây, chúng đã được áp dụng trong các lĩnh vực như y học (phát triển thuốc mới), môi trường (dự báo khí hậu) và kiến trúc (thiết kế kết cấu), thu hút sự chú ý như một công nghệ hấp dẫn.

Mô-đun của Nvidia

(2) Sử dụng ít dữ liệu hơn

Học có giám sát, phương pháp học cơ bản của mạng nơ-ron nhân tạo, thường đòi hỏi lượng dữ liệu khổng lồ. Mặt khác, học dựa trên vật lý, đưa ra dự đoán dựa trên các định luật vật lý, có thể xây dựng các mô hình chính xác mà không cần dữ liệu hoặc chỉ cần một lượng nhỏ dữ liệu .

Mạng nơ-ron thông tin vật lý

(3) Xây dựng hệ thống kết hợp giữa tính minh bạch và hiệu quả.

Mạng nơ-ron vật lý có thể được tích hợp với nhiều công nghệ khác nhau để nâng cao độ chính xác trong nhiều lĩnh vực và cải thiện đáng kể tốc độ tính toán so với các phương pháp hiện có . Hơn nữa, vì các dự đoán và quy trình ra quyết định của mô hình dựa trên các định luật vật lý, chúng có thể giúp giải quyết vấn đề "hộp đen" vốn có trong học sâu .

FEM so với PINN

Từ lý thuyết đến thực hiện
Bao gồm những kiến thức cơ bản về mạng nơ-ron thông tin vật lý

Trong bài giảng này, sau khi tìm hiểu các khái niệm, chúng ta sẽ triển khai các mô hình cho nhiều vấn đề khác nhau.

Để tránh toán học trở thành rào cản, trước tiên chúng ta sẽ tìm hiểu khái niệm về phép tính vi phân.
Giới thiệu khái niệm về mạng nơ-ron thông tin vật lý và các nguyên tắc học tập của mạng nơ-ron.
Bạn có thể tự mình triển khai mạng nơ-ron thông tin vật lý thông qua 6 bài tập.


Những điều cần lưu ý trước khi tham gia khóa học

Môi trường thực hành

  • Khóa đào tạo thực hành được thực hiện trên Google Colaboratory, không yêu cầu cài đặt riêng . Bạn cần có tài khoản Google miễn phí, và việc không sử dụng Colaboratory có thể dẫn đến gián đoạn khóa đào tạo.

Tài liệu học tập

  • Tất cả các slide và mã được sử dụng trong lớp học đều được cung cấp.

  • Triển khai mô hình bằng Pytorch.

Kiến thức và biện pháp phòng ngừa của người chơi

  • Cần có một số kiến thức cơ bản về học sâu, chẳng hạn như học có giám sát và giảm dần độ dốc.

  • Khóa học này bao gồm nhiều chủ đề toán học, bao gồm phương trình vi phân và giải tích số. Tuy nhiên, nội dung được thiết kế sao cho ngay cả những người chưa có kiến thức về phép tính vi phân cũng có thể dễ dàng theo dõi.

  • Đây là khóa học dựa trên câu hỏi. Chúng tôi luôn hoan nghênh mọi thắc mắc về lớp học. :)

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Những người chuẩn bị vào đại học/cao học liên quan đến trí tuệ nhân tạo

  • Những người muốn theo đuổi tương lai của trí tuệ nhân tạo

  • Bất cứ ai muốn trải nghiệm deep learning, thế hệ công nghệ tiên tiến tiếp theo

Cần biết trước khi bắt đầu?

  • đam mê làm

  • Học sâu kiến ​​thức cơ bản

  • Kiến thức cơ bản về Python

Xin chào
Đây là

5,064

Học viên

390

Đánh giá

261

Trả lời

4.7

Xếp hạng

7

Các khóa học

안녕하세요.

딥러닝/머신러닝 관련 유튜브를 운영하는 딥러닝 호형입니다.

수학/데이터 분석을 전공하고 다수의 딥러닝 프로젝트를 완료하고 수행하고 있습니다.

 

머신러닝, 고급 머신러닝, 딥러닝, 최적화 이론, 강화 학습 등의 인공지능 내용과 선형 대수학, 미적분, 확률과 통계, 해석학, 수치해석 등의 수학 내용까지 여러분들과 공유할 수 있는 지식을 가지고 있습니다. 

 

모두 만나서 반갑습니다!

 

* 관련 이력

현) SCI(E) 논문, 국제 학회 발표 다수

현) 인공지능 관련 대학교 자문 다수

전) K기업 전임 연구원 - 데이터 분석 및 시뮬레이션: 신제품 개발, 성능 향상, 신기술 적용

"딥러닝을 위한 파이토치 입문" 저서 (세종도서 학술부문 2022 우수도서로 선정)

 

 

 

 

Chương trình giảng dạy

Tất cả

19 bài giảng ∙ (2giờ 22phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

17 đánh giá

4.8

17 đánh giá

  • aquarid22님의 프로필 이미지
    aquarid22

    Đánh giá 12

    Đánh giá trung bình 5.0

    5

    74% đã tham gia

    Tôi rất tò mò về PINN sau khi nghe từ khóa trong lĩnh vực của mình, nhưng không có nhiều tài liệu liên quan, càng không có khóa học tiếng Hàn nào giải thích một cách có hệ thống, nhưng tôi tình cờ thấy một bài giảng giải thích những điểm chính để tôi có thể hiểu rõ hơn về PINN. có thể dễ dàng hiểu được khái niệm này trong một khoảng thời gian ngắn. Nếu bạn mở một khóa học PINN bổ sung nâng cao đề cập đến các vấn đề thực tế phức tạp hơn, tôi sẽ 100% tham gia. Ngay cả khi bạn xem PINN YouTube, hầu hết các giải thích tình huống đều được áp dụng cho các vấn đề vật lý đơn giản có thể xuất hiện trong các kỳ thi kỹ thuật cơ khí ở bậc đại học. , vì vậy nó có thể áp dụng được vào công việc thực tế. Tôi không thể làm được ~ Ví dụ: trong khóa học nâng cao, bạn có thể xem các ví dụ về ứng dụng cho các bài toán trong thế giới thực như bài toán CFD 3D, dự đoán hình ảnh dự báo thời tiết và va chạm hoặc hành vi của hệ thống cơ khí 3D ở cấp độ mã. Tôi nghĩ nó sẽ thực sự hữu ích cho ứng dụng thực tế nếu bạn có thể giải quyết nó ở đây. Tất nhiên, tôi cũng đánh giá cao bài giảng này ^^

    • dlbro
      Giảng viên

      Cảm ơn bạn rất nhiều vì đã xem xét của bạn. Nếu bạn có bất kỳ câu hỏi nào, xin vui lòng hỏi!!

    • Có thể tạo giúp khóa học nâng cao áp dụng cho pin hoặc tuổi thọ không ạ? Giải thích tập trung vào code thì tốt.

  • icarus01180867님의 프로필 이미지
    icarus01180867

    Đánh giá 1

    Đánh giá trung bình 5.0

    5

    32% đã tham gia

    Thật đáng sợ và khó khăn nhưng thật tuyệt khi có ai đó giải thích nó như thế này. Những bài giảng ở cấp độ này rất hiếm ở Hàn Quốc. cười

    • dlbro
      Giảng viên

      Tôi gặp rất nhiều khó khăn khi điều chỉnh mức độ khó, vì vậy cảm ơn bạn đã khen ngợi. Hãy cố gắng hết sức và đặt câu hỏi bất cứ lúc nào!

  • info0966님의 프로필 이미지
    info0966

    Đánh giá 1

    Đánh giá trung bình 5.0

    5

    32% đã tham gia

    • 지도카노님의 프로필 이미지
      지도카노

      Đánh giá 1

      Đánh giá trung bình 4.0

      4

      32% đã tham gia

      • monostylegc7749님의 프로필 이미지
        monostylegc7749

        Đánh giá 5

        Đánh giá trung bình 5.0

        5

        32% đã tham gia

        Ưu đãi có thời hạn, kết thúc sau 8 ngày ngày

        49.280 ₫

        30%

        1.490.603 ₫

        Khóa học khác của dlbro

        Hãy khám phá các khóa học khác của giảng viên!

        Khóa học tương tự

        Khám phá các khóa học khác trong cùng lĩnh vực!