Kerangka Materi
Pengenalan Pembelajaran Mendalam
- Apa itu pembelajaran mendalam dan perbedaannya dengan pembelajaran mesin tradisional
- Aplikasi dunia nyata dalam penglihatan komputer, NLP, dan lainnya
- Ringkasan ekosistem pembelajaran mendalam: TensorFlow 2.x, Keras, PyTorch
- Persiapan lingkungan pengembangan yang dipercepat GPU
Mekanisme Pembelajaran Mendalam
- Sel saraf buatan, fungsi aktivasi, dan lapisan jaringan
- Propagasi maju dan komputasi prediksi
- Fungsi kerugian untuk tugas klasifikasi dan regresi
- Optimasi gradien turun dan backpropagation
- Melatih jaringan saraf pertama Anda pada dataset MNIST
Jaringan Saraf Konvolusional untuk Penglihatan Komputer
- Memahami konvolusi, filter, dan peta fitur
- Lapisan pooling dan reduksi dimensi
- Arsitektur CNN: konsep LeNet, VGG, dan ResNet
- Membangun dan melatih CNN untuk klasifikasi gambar
- Visualisasi fitur yang dipelajari dan aktivasi intermediate
Augmentasi Data dan Meningkatkan Akurasi Model
- Mengapa augmentasi data melawan overfitting dan meningkatkan generalisasi
- Transformasi gambar: rotasi, flipping (pembalikan), zooming, dan cropping
- Implementasi pipeline augmentasi dengan lapisan preprocessing Keras
- Dropout, normalisasi batch, dan teknik regularisasi lainnya
- Pemantauan pelatihan dengan metrik validasi dan early stopping
Pembelajaran Transfer dengan Model yang Telah Dilatih Sebelumnya
- Memahami pembelajaran transfer dan alasannya berhasil
- Muat model pralatih dari Keras Applications (ResNet, EfficientNet, MobileNet)
- Eksstraksi fitur: membekukan lapisan dasar dan melatih kelasifier baru
- Fine-tuning: membuka kembali lapisan secara selektif untuk adaptasi domain
- Mencapai akurasi tinggi dengan data pelatihan terbatas
Jaringan Rekuren dan Pemodelan Urut
- Pengenalan data sekuensial dan ketergantungan temporal
- Jaringan saraf rekuren (RNN) dan masalah gradien yang menghilang (vanishing gradient)
- Sel LSTM dan GRU untuk ketergantungan jarak jauh
- Melatih model generasi teks tingkat karakter
- Word embeddings dan lapisan Embedding di Keras
Fundamental Pemrosesan Bahasa Alami
- Pra-pemrosesan teks: tokenisasi, padding, dan pembangunan kosakata
- Membangun kelasifier teks dengan RNN dan LSTM
- Konsep model sequence-to-sequence untuk terjemahan mesin
- Mekanisme perhatian (attention mechanisms) dan perannya dalam NLP modern
- NLP praktis dengan API pemrosesan teks TensorFlow 2.x
Proyek Akhir: Pembuatan Keterangan Gambar
- Mengkombinasikan penglihatan komputer dan NLP dalam arsitektur multimodal
- Mengekstrak fitur gambar dengan encoder CNN pralatih
- Membangun decoder berbasis LSTM untuk generasi keterangan
- Mengelola beberapa lapisan input di Keras functional API
- Melatih dan mengevaluasi pipeline captioning end-to-end
Langkah Selanjutnya dan Sumber Daya
- Menerapkan model yang telah dilatih dengan TensorFlow Serving
- Menjelajahi arsitektur transformer dan model bahasa besar (large language models)
- Workshop lanjutan NVIDIA DLI dan jalur sertifikasi
- Sumber daya komunitas, dataset, dan ide proyek
Persyaratan
- Kemampuan dasar pemrograman Python (fungsi, loop, kamus/dictionary, larik/array)
- Pengenalan terhadap konsep pemrograman seperti variabel, kondisi, dan struktur data
- Tidak memerlukan pengalaman sebelumnya dalam pembelajaran mendalam atau pembelajaran mesin
Audience
- Pengembang dan insinyur perangkat lunak yang beralih ke bidang AI dan pembelajaran mesin
- Analis data dan ilmuwan data yang mencari keterampilan pembelajaran mendalam
- Profesional teknis yang ingin memahami dan menerapkan model jaringan saraf
- Siswa dan peneliti yang memulai perjalanan mereka dalam pembelajaran mendalam
Testimoni (2)
Pelatihan ini terorganisir dengan baik dan direncanakan secara rapi, sehingga saya keluar dari pelatihan ini dengan pengetahuan yang sistematis dan gambaran yang baik tentang topik-topik yang kita bahas.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kursus - Deep Learning with TensorFlow 2
Diterjemahkan Mesin
Saya sangat menyukai bagian akhir di mana kita menghabiskan waktu untuk bermain dengan CHAT GPT. Ruangan tidak disiapkan dengan baik untuk ini—sebaiknya menggunakan beberapa meja kecil agar kita bisa berkumpul dalam kelompok-kelompok kecil dan melakukan brainstorming, daripada satu meja besar.
Nola - Laramie County Community College
Kursus - Artificial Intelligence (AI) Overview
Diterjemahkan Mesin
