Наука о Данных: Глубокое Обучение на Python

Этот курс поможет вам начать создавать свою первую искусственную нейронную сеть с использованием методов глубокого обучения. Следуя моему предыдущему курсу по логистической регрессии, мы берем этот базовый строительный блок и строим полноценные нелинейные нейронные сети, используя Python и Numpy.

Все материалы для этого курса бесплатны.

Мы расширяем предыдущую бинарную модель классификации для нескольких классов, используя функцию softmax, и мы получаем очень важный метод обучения, называемый "метод обратного распространение ошибки", используя первые принципы. Я покажу вам, как писать код для метода обратного распространения ошибки в Numpy. Сначала "медленный путь", а затем "быстрый путь", с использованием функций Numpy.

Затем мы внедрим нейронную сеть, используя новую библиотеку Google TensorFlow.

Вам следует пройти этот курс, если вы заинтересованы в том, чтобы стать мастером по Глубокому Обучению, или если вам интересно Машинное обучение и наука о данных в целом.

Мы выйдем за рамки базовых моделей, таких как логистическая регрессия и линейная регрессия, и я покажу вам нечто, что автоматически изучает признаки.

В этом курсе есть много практических примеров, чтобы вы могли реально увидеть, как глубокое обучение может быть использовано для чего-либо. На протяжении всего курса мы будем выполнять проект курса, благодаря которому вы узнаете, как прогнозировать действия пользователя на веб-сайте с учетом таких данных пользователя. Таких, как например, использует ли этот пользователь мобильное устройство, сколько продуктов он просмотрел, как долго он оставался на вашем сайте, бывает ли он на сайте неоднократно и в какое время суток заходит.

Другой проект в конце курса показывает, как вы можете использовать глубокое обучение для распознавания выражений лица. Представьте себе возможность предсказать чьи-то эмоции только на основе изображения!

После ознакомления с основами я кратко расскажу о некоторых новейших разработках в нейронных сетях - слегка модифицированных архитектурах и для чего они используются.

Заметки:

Если вы уже знаете о softmax и методе обратного распространения ошибки и хотите пропустить теорию, чтобы ускорить процесс, изучив более продвинутые методы вроде оптимизации GPU, ознакомьтесь с моим последующим курсом по этой теме "Наука о данных: практические вопросы глубокого обучения в Theano и TensorFlow".

У меня есть другие курсы, которые охватывают более сложные темы, такие как сверточные нейронные сети, ограниченные машины Больцмана, автоэнкодеры и многое другое! Но вы должны хорошо понимать материал этого курса, прежде чем переходить к более сложным предметам.

Этот курс нацелен на создание и понимание, а не просто на то, как использовать. Любой может научиться использовать API(интерфейс программирования приложений) за 15 минут посредством прочтения некоторой документации. Тут мы будем заниматься не запоминанием фактов, а усвоением для себя, посредством экспериментов. Курс научит вас тому, как визуализировать то, что происходит внутри модели. Если вы хотите получить больше, чем просто поверхностный взгляд на модели машинного обучения, этот курс для вас.

Источник: perevodvsem.ru

Комментарии: