Ementa da turma do 23/10/2019 (lição 1: Classificação de imagem)
- [ 15mn ] Metas do curso, do grupo, logística, canais de estudo e apresentação do mentor/apoiador (Pierre)
- [ 10mn ] IA e Deep Learning
- [ 15mn ] Fastai course, Framework fastai e Pytorch
- [ 10mn ] Projetos do grupo até dezembro (threads “Share your work here”, “Puting the Model Into Production: Web Apps”)
- [ 15mn ] Pré requisitos 1/2 (Python, Numpy, Pandas, Matplotlib, Jupyter Notebook)
- [ 15mn ] Pré requisitos 2/2 (fastai v1 em um GPU online, Terminal)
- [ 10mn ] Pontos-chave do primeiro curso
- [ 1h30mn ] Lição 1: sabendo criar um classificador de imagens
Recursos
- Notebooks:
- Detailed lesson notes 1.2k - thanks to @hiromi
- fastai docs
- regex em Python (module re)
- Data Augmentation by fastai v1
- ResNet (Winner of ILSVRC 2015)
- learn.fit_one_cycle()
Video Timeline
- 00:00:01 Welcome and tools presentation
- 00:05:26 About jeremy and the fastai course
- 00:10:23 Lesson 1 start
- 00:17:55 Looking at the data
- 00:26:29 ImageDataBunch
- 00:35:05 Training: resnet34
- 00:40:04 Overfitting and validation set
- 00:41:40 fit_one_cycle
- 00:47:08 How to learn fastai (students feedback)
- 00:48:38 fastai and students achievements
- 01:08:41 Visualizing results
- 01:14:40 Unfreezing, fine tuning and learning rates
- 01:26:54 Training: resnet50
- 01:35:06 fastai doc notebooks
Pré requisitos
Para beneficiar dessa primeira turma, é melhor estudar os pré requisitos antes (parágrafo “Pré Requisitos” deste post). Em particular,
- Instalar Anaconda no seu computador para ter Python 3 e Jupyter Notebook instalados.
- Aprender a usar um Jupyter Notebook (tutorial 1 e 2) e um Terminal.
- Rodar o notebook “CS228 Python Tutorial” para aprender o Python, Numpy e Matplotlib.
- Instalar fastai v1 em um GPU online usando seja o tutorial GPC, seja o do Colab.
Também, recomendo assistir pelo menos uma vez ao video da lição 1 antes da turma.
Projetos em DL
Veja este post.
