Deep Learning na Unb (Brasília) - Parte 1 - Lição 3

[pierreguillou]

Ementa (06/11/2019 - UnB - Brasília)

1. [ 10mn ] Maneiras de otimizar o trabalho em grupo online
   • Revisão de perguntas publicadas no fórum (como aumentar suas chances de obter uma resposta útil)
   • Lista de nomes de usuário no fórum fastai dos membros do Grupo IA da UnB
   • Grupo Whatsapp do Grupo
2. [ 15mn ] Metodologia sobre como criar e apresentar um projeto de IA viável (exemplos com os projetos da equipe da @izzywho e do @thiagodma - curso do Andrew Ng: IA para todos)
3. [ 10mn ] Organização da conferência de dezembro (data, horário, lugar, responsável geral, responsável da logística, responsável da comunicação, mentor dos projetos = Pierre)
4. [ 5mn ] Site do grupo: qual objetivo? (exemplos de 2 sites IA.BSB e ensina.ai)
5. [ 15mn ] Revisão sobre o uso do GCP/Colab pelo @thiagodma
6. Novos posts desde a turma anterior:
   • [ 10mn ] Primeira apresentação (Classificador de Faixas Etárias do Vicente Moraes)
   • [ 10mn ] Segunda apresentação
7. [ 10mn ] Pontos-chave da turma anterior
8. [ 1h20mn ] Lição 3 (veja “Videos timeline”)
   • Multi-label classification - lesson3-planet.ipynb
   • DataBunch - data_block.ipynb
   • Segmentation or pixels classification - lesson3-camvid.ipynb
   • Regression with images - lesson3-head-pose.ipynb
   • NLP with texts classification - lesson3-imdb.ipynb
9. [ 15mn ] Oficina prática
10. [ 0mn ] Fotos da aula

Videos timeline

• Examples of web apps people have built during the week 3:36
• Multi-label classification with Planet Amazon dataset 9:51
• Downloading the data through Kaggle Api 11:02
• Multiclassification 14:49
• Dataset (PyTorch) 18:30
• DataLoader (PyTorch) 20:37
• Data block API examples 23:56
• Planet 26:01
• CAMVID 26:38
• COCO 27:41
• Creating satellite image data bunch 29:35
• Creating multi-label classifier 35:59
• Python3 partial [39:17]
• How to choose good learning rates [48:50]
• Making the model better (Transfer Learning) 50:30
• Segmentation example: CamVid [56:31]
• Image Segmentation [1:03:05]
• Creating a data bunch [1:05:53]
• Training [1:09:00]
• U-Net [1:16:24]
• A little more about learn.recorder [1:18:54]
• What you are looking for in plot_losses [1:25:01]
• Go big [1:26:16]
• Another trick: Mixed precision training [1:30:59]
• Regression with BIWI head pose dataset [1:34:03]
• Create a regression model [1:38:59]
• IMDB [1:41:07]
• Universal approximation theorem [1:52:27]
• Wrapping up [2:01:19]

Recursos

• p7zip
• Pandas
  • Curso de Introdução a Análise de Dados (em português)
  • Online courses : list of tutorials about pandas
• Data Block Api
  • fastai doc
  • Advanced tutorial, explains how to create your custom ItemBase or ItemList
  • Understanding the data block API and how to build your own cusotm ItemBase/ItemLists
  • Using the fastai Data Block API
• fast.ai Datasets
• open_image() / open_mask() / ImagePoints()
• Working with GPU
• PyTorch - Basic operations
• What does “unsqueeze” do in Pytorch?
• What is the difference between view() and unsqueeze()?
• A little more about learn.recorder
• UNET
  • Understanding Semantic Segmentation with UNET
  • UNet
• Understanding Learning Rates and How It Improves Performance in Deep Learning

Exercícios até a próxima aula

• Multi-label classification
• Segmentation or pixels classification
• Regression with images