Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

Bildklassificering med faltningsnät

Bygg ett CNN, förstå faltning och receptiva fält, och titta in i nätet för att se vad det faktiskt lärt sig.

Kunskaper
48
Från noll
ca 37 h
Labbar
6
Se vad du redan kan — utan konto

Diagnosen föreslår en startpunkt. Övningarna visar vad du faktiskt kan.

Det här kan du efteråt

Labbar på vägen

Du skriver koden. Tester du inte ser avgör om den håller.

Labb: ett neuronnät i ren NumPy — forward, backprop, gradientkontrollDsandlåda · ca 75 minLabb: gradient descent från grundenDi webbläsaren · ca 50 minLabb: matrismultiplikation och ett lager i ett neuronnätDi webbläsaren · ca 45 minLabb: skalärprodukt, norm och cosinuslikhetDi webbläsaren · ca 40 minLabb: tensorer, autograd och din första träningsloopDsandlåda · ca 50 minLabb: träna en sifferklassificerare i PyTorchDsandlåda · ca 60 min

Hela vägen

Allt målet bygger på, grupperat per nivå och i den ordning det bygger på varandra. Visa på kartan

AUpptäckare3 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
  3. Heltalsaritmetik och räkneordning
BUtforskare6 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Binära tal och bitar
  5. Träningsdata, features och etiketter
  6. Klassificering: hur en modell sorterar information
CByggare9 kunskaper
  1. Funktioner och koordinatsystem
  2. Programmeringslogik — variabler, villkor, loopar
  3. Python — grunderna
  4. Python — listor, loopar och dictionaries
  5. Statistik — medelvärde, median och spridning
  6. Digital representation: text, bilder och ljud
  7. Linjär regression: anpassa en rät linje till data
  8. Neuronnät — intuitionen
  9. Bilder som matriser
DAI-utvecklare17 kunskaper
  1. Derivata och optimering
  2. Gradient descent
  3. Vektorer
  4. Matriser och matrismultiplikation
  5. Faltning för hand
  6. Linjär regression med flera features
  7. Neuronnät — forward pass med matriser
  8. Aktiveringsfunktioner
  9. Backpropagation
  10. Vad ser nätet? Bilder genom lagren
  11. NumPy — arrayer och vektorisering
  12. Overfitting och generalisering
  13. PyTorch — tensorer och autograd
  14. Dataloaders, batchar och epoker
  15. Träning, validering och test
  16. Träna ett neuronnät i PyTorch
  17. MNIST från grunden
EUniversitet11 kunskaper
  1. Faltningsnät (CNN)
  2. Försvinnande och exploderande gradienter
  3. Bildförbehandling och augmentering
  4. Residualkopplingar
  5. CNN-arkitekturer: LeNet till ResNet
  6. Datorseende — grunderna
  7. Regularisering: dropout, weight decay, early stopping
  8. Dataaugmentering i praktiken
  9. Transfer learning
  10. Bildklassificering end-to-end
  11. Visualisera vad ett CNN ser
FAI engineering2 kunskaper
  1. Objektdetektion
  2. Segmentering