Проект выпускника курса «Machine Learning» | OTUS
⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.
Подробнее

Курсы

Программирование
Flutter Mobile Developer Подготовка к сертификации Oracle Java Programmer (OCAJP)
-8%
Супер-интенсив «СУБД в высоконагруженных системах»
-18%
Алгоритмы и структуры данных
-12%
Web-разработчик на Python
-11%
Архитектура и шаблоны проектирования
-14%
Team Lead
-15%
iOS-разработчик. Базовый курс
-23%
Разработчик на Spring Framework Python Developer. Basic
-16%
C# ASP.NET Core разработчик
-18%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-6%
Android Developer. Basic
-10%
C++ Developer. Professional Разработчик C# AWS для разработчиков Software Architect Unity Game Developer. Basic Разработчик голосовых ассистентов и чат-ботов Backend-разработка на Kotlin React.js Developer Разработчик Node.js Нереляционные базы данных Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes Advanced Fullstack JavaScript developer
Инфраструктура
Супер-интенсив «СУБД в высоконагруженных системах»
-18%
PostgreSQL
-10%
IoT-разработчик
-12%
Administrator Linux. Professional
-11%
Базы данных
-19%
Administrator Linux.Basic
-18%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-6%
Сетевой инженер AWS для разработчиков Software Architect Reverse-Engineering. Professional CI/CD VOIP инженер Супер-практикум по работе с протоколом BGP Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Проект выпускника курса «Machine Learning»

ML_Deep_6.11_site-5020-8bde6d.png

Не секрет, что PyTorch содержит множество различных классов для оптимизаторов, хотя некоторые из них очень похожи. Кирилл Романов, выпускник курса Machine Learning, создал проект «Универсальный оптимизатор для PyTorch».

С помощью такого оптимизатора появляется возможность конструировать большинство существующих оптимизаторов, включая: — SGD; — Rmsprop; — Adadelta; — Adam-подобные оптимизаторы.

Также можно комбинировать входные параметры и создавать нестандартный оптимизатор. В рамках реализации проекта выпускник рассмотрел принципы работы основных оптимизаторов спуска градиента, подготовил алгоритмы настройки пользовательского и стандартного оптимизатора, выполнил тестирование и показал лучшую эффективность нового алгоритма оптимизации по сравнению со стандартными.

Алгоритм настройки пользовательского оптимизатора

machine_learning-20219-b4170b.jpg Готовый проект был защищён студентом и рекомендован преподавателем к показу потенциальным работодателям в качестве образца, подтверждающего профессиональные навыки.

Для ознакомления с подробностями проекта перейдите по ссылке на соответствующий репозиторий.

Ждём ваше мнение о проектной работе в комментариях!

Не пропустите новые полезные статьи!

Спасибо за подписку!

Мы отправили вам письмо для подтверждения вашего email.
С уважением, OTUS!

Автор
0 комментариев
Для комментирования необходимо авторизоваться