Course Code

Torch

Duration

21 hours (usually 3 days including breaks)

Requirements

Programming experience in any language.
A general familiarity with C/C++ helps.
An interest in Artificial Intelligence (AI).

Audience

Software developers and programmers wishing to enable Machine and Deep Learning within their applications

Overview

Torch - це бібліотека машинного навчання з відкритим кодом та наукова обчислювальна база, заснована на мові програмування Lua . Це забезпечує середовище розробки для числення, машинного навчання та комп’ютерного зору, з особливим акцентом на глибоке навчання та складені мережі. Це одна з найшвидших і гнучких рамок для машинного і Deep Learning і використовується такими компаніями, як Facebook , Go ogle, Twitter, NVIDIA, AMD, Intel та багато інших.

У цій навчальній програмі під керівництвом інструкторів ми висвітлюємо принципи Torch , його унікальні особливості та те, як його можна застосовувати в реальних програмах. Ми переглядаємо численні практичні вправи протягом усього часу, демонструючи та практикуючи вивчені поняття.

Після закінчення курсу учасники матимуть глибоке розуміння основних особливостей та можливостей Torch , а також його ролі та внеску в простір ШІ порівняно з іншими рамками та бібліотеками. Учасники також отримають необхідну практику для впровадження Torch у власних проектах.

Формат курсу

Огляд машинного та Deep Learning
Вправи на кодування та інтеграцію в класі
Тестові запитання розсипали по дорозі, щоб перевірити розуміння

Machine Translated

Course Outline

Introduction to Torch

Like NumPy but with CPU and GPU implementation
Torch's usage in machine learning, computer vision, signal processing, parallel processing, image, video, audio and networking

Installing Torch

Linux, Windows, Mac
Bitmapi and Docker

Installing Torch Packages

Using the LuaRocks package manager

Choosing an IDE for Torch

ZeroBrane Studio
Eclipse plugin for Lua

Working with the Lua Scripting Language and LuaJIT

Lua's integration with C/C++
Lua syntax: datatypes, loops and conditionals, functions, functions, tables, and file i/o.
Object orientation and serialization in Torch
Coding exercise

Loading a Dataset in Torch

MNIST
CIFAR-10, CIFAR-100
Imagenet

Machine Learning in Torch

Deep Learning
- Manual feature extraction vs convolutional networks
Supervised and Unsupervised Learning
- Building a neural network with Torch
N-dimensional arrays

Image Analysis with Torch

Image package
The Tensor library

Working with the REPL Interpreter

Working with Databases

Networking and Torch

GPU Support in Torch

Integrating Torch

C, Python, and others

Embedding Torch

iOS and Android

Other Frameworks and Libraries

Facebook's optimized deep-learning modules and containers

Creating Your Own Package

Testing and Debugging

Releasing Your Application

The Future of AI and Torch

Summary and Conclusion

Testimonials

★★★★★

Це було дуже інтерактивним і більш розслабленим і неформальним, ніж очікувалося. Ми розглянули багато тем в той час, і тренер завжди сприйнятливі говорити більш докладно або в цілому про теми і як вони були пов'язані. Я відчуваю, що навчання дав мені інструменти, щоб продовжити навчання на відміну від його час одного сеансу, де навчання зупиняється, як тільки ви закінчили, що дуже важливо з огляду на масштаби і складність теми.

Jonathan Blease

Course:Artificial Neural Networks, Machine Learning, Deep Thinking

Machine Translated

Тема дуже цікава.

Wojciech Baranowski

Course:Introduction to Deep Learning

Machine Translated

Тренери теоретичні знання і готовність вирішувати проблеми з учасниками після навчання.

Grzegorz Mianowski

Course:Introduction to Deep Learning

Machine Translated

Тему. Дуже цікаво!.

Piotr

Course:Introduction to Deep Learning

Machine Translated

Вправи після кожної теми були дуже корисними, незважаючи на те, що були занадто складні в кінці. Загалом, представлений матеріал був дуже цікавим і за участю! Вправи з розпізнаванням зображення були великими.

Dolby Poland Sp. z o.o.

Course:Introduction to Deep Learning

Machine Translated

Я думаю, що якщо тренінг буде зроблено польською це дозволить тренеру поділитися своїми знаннями більш ефективними.

Radek

Course:Introduction to Deep Learning

Machine Translated

Глобальний огляд глибокого навчання.

Bruno Charbonnier

Course:Advanced Deep Learning

Machine Translated

Вправи достатньо практичні і не потребують високих знань з Python .

Alexandre GIRARD

Course:Advanced Deep Learning

Machine Translated

Виконання вправ на реальних прикладах за допомогою епох. Італія повністю розуміла наші очікування щодо цього навчання.

Paul Kassis

Course:Advanced Deep Learning

Machine Translated

Суб'єкта. Здавалося цікавим, але я залишив знання не набагато більше, ніж раніше.

Radoslaw Labedzki

Course:Introduction to Deep Learning

Machine Translated

Мені подобалося, що цей курс мав дуже цікаву тематику.

Wojciech Wilk

Course:Introduction to Deep Learning

Machine Translated

Ми отримали набагато більше розуміння в питанні. Деякі цікаві дискусії були зроблені з деякими реальними предметами в нашій компанії.

Sebastiaan Holman

Course:Machine Learning and Deep Learning

Machine Translated

Навчання дало правильну основу, яка дозволяє нам далі розширюватися, показуючи, як теорія та практика йдуть рука об руку. Це насправді мене більше зацікавило цю тему, ніж я раніше.

Jean-Paul van Tillo

Course:Machine Learning and Deep Learning

Machine Translated

Мені дуже сподобався охоплення і глибину теми.

Anirban Basu

Course:Machine Learning and Deep Learning

Machine Translated

Глибокі знання тренера про тему.

Sebastian Görg

Course:Introduction to Deep Learning

Machine Translated

Дуже гнучким.