การประยุกต์ใช้การเรียนรู้เชิงลึกด้วย PyTorch (จากศูนย์ถึงความเชี่ยวชาญ)

หลักสูตรนี้ให้การแนะนำอย่างครอบคลุมเกี่ยวกับการเรียนรู้เชิงลึก (Deep Learning) โดยใช้ PyTorch ซึ่งเป็นเฟรมเวิร์กที่ได้รับความนิยมมากที่สุดสำหรับงานวิจัยด้านการเรียนรู้ของเครื่อง ตั้งแต่พื้นฐานของเทนเซอร์ นักเรียนจะเดินทางผ่านกระบวนการงานวิเคราะห์ข้อมูลแบบครบวงจร งานด้านการมองเห็นของคอมพิวเตอร์ วิศวกรรมซอฟต์แวร์แบบโมดูลาร์ การเรียนรู้แบบถ่ายโอน และการนำไปใช้งานในระบบจริง เนื้อหาหลักสูตรนี้เน้น "เขียนโค้ดเป็นหลัก" โดยเน้นการประยุกต์ใช้และทดลองจริง เพื่อให้นักเรียนไม่เพียงแค่เข้าใจทฤษฎี แต่ยังสามารถสร้าง ปรับแต่ง และนำระบบการเรียนรู้เชิงลึกที่แข็งแรงไปใช้งานจริงได้

สรุปสั้น ๆ ของเป้าหมายหลักคือ ควรมีความเชี่ยวชาญในระบบนิเวศของ PyTorch ตั้งแต่พื้นฐานทางคณิตศาสตร์ จนถึงการประยุกต์ใช้งานด้านการมองเห็นของคอมพิวเตอร์ที่พร้อมใช้งานจริง

1. ดำเนินการทั้งกระบวนการงานวิเคราะห์ข้อมูลด้วย PyTorch ตั้งแต่การดำเนินการพื้นฐานของเทนเซอร์ ไปจนถึงการฝึกโมเดล การประเมินผล และการบันทึกสถานะโมเดล
2. ออกแบบและนำโมเดลการเรียนรู้เชิงลึกมาใช้งาน รวมถึงโครงสร้างเครือข่ายประสาทเทียม (ANNs) และเครือข่ายประสาทเชิงคอนโวลูชัน (CNNs) สำหรับงานจำแนกประเภทที่ซับซ้อนและงานด้านการมองเห็นของคอมพิวเตอร์
3. แปลงโค้ดทดลองกลายเป็นซอฟต์แวร์ที่พร้อมใช้งานจริงโดยใช้แนวทางวิศวกรรมมาตรฐานและโครงสร้างไดเรกทอรีที่เหมาะสม
4. ใช้เทคนิคขั้นสูง เช่น Transfer Learning และการติดตามการทดลองอย่างเป็นระบบ (ผ่าน TensorBoard) เพื่อให้ได้ผลลัพธ์ระดับแนวหน้าจากข้อมูลเฉพาะของตนเอง
5. จัดเตรียมและนำโมเดลที่ฝึกเสร็จแล้วไปใช้งานในแอปพลิเคชันเว็บแบบโต้ตอบ และใช้คุณสมบัติใหม่ๆ ใน PyTorch 2.0 เพื่อเร่งกระบวนการคำนวณ