AI | Piszemy model sztucznej inteligencji rozpoznający gatunki irysów OD ZERA!

Jeśli zastanawiałeś/-aś się jak pisze się prawdziwe modele sztucznej inteligencji w praktyce to odpowiedź znajdziesz właśnie w tym filmie! Okiem praktyka rozwiązuję problem klasyfikacji - bardzo popularny i potrzebny problem, którego wiele przypadków rozwiązuje się właśnie przy użyciu biblioteki jaką jest PyTorch. To tylko 30 minut a dawka wiedzy jest OGROMNA także zachęcam do obejrzenia od dechy do dechy! ;)

-------------------------------------------------------------------------------------------------
INFORMACJE O MNIE:
👉 LinkedIn:   / r-sikora  
-------------------------------------------------------------------------------------------------

Nie słyszałeś/-aś o perceptronie lub nie rozumiesz zupełnych podstaw sztucznej inteligencji? Obejrzyj:
   • Jak uczy się sztuczna inteligencja?  

Tutaj mówię więcej o podstawach i budowie głębokiej sieci neuronowej:
   • Teoria AI | Budowa i zasada działania...  

Zastanawiasz się nadal jakich narzędzi użyć do wstępnej analizy danych? Zajrzyj tutaj:
   • Python | Jak analizować dane w prosty...  

Nie słyszałeś/-aś o bibliotece PyTorch? Tłumaczę czym jest w tym filmie:
   • Praktyczne AI | Czym jest PyTorch?  

Zestaw potrzebny do pisania kodu w Pythonie:
Strona do pobrania środowiska Python: https://www.python.org/downloads
Strona do pobrania IDE (edytora kodu VS Code): https://code.visualstudio.com

00:00 Wstęp
00:56 Tworzymy środowisko wirtualne
01:17 Krótko o tym czego będę używać
01:37 Jaki problem będzie rozwiązywać nasz model?
01:55 Krok 1: Analiza i ładowanie danych wejściowych
06:02 Krok 2: Standaryzacja danych
10:08 Krótkie podsumowanie o standaryzacji danych
10:27 Krok 3: One-hot encoding
12:46 Krok 4: Podział danych na treningowe oraz walidacyjne
14:37 Krok 5: Zamiana danych treningowych i walidacyjnych na tensory
15:20 Krok 6: Załadowanie danych do obiektu DataLoader
16:51 Krok 7: Definiujemy nasz model
20:47 Krok 8: Trening modelu
25:26 Krok 9: Walidacja wytrenowanego modelu
30:15 Krok 10: Zapis wytrenowanego modelu oraz ponowne załadowanie
30:56 Podsumowanie