[Udemy]Машинное обучение с Python + Big Data - (Курс 7 из 17)
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Формат: Видео
Продолжительность: ~ 03:51
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 30 видео лекции длительность: 3 часа 51 минута
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Вы также можете изучить на русском языке следующие курсы этого автора:
Deep Learning Prerequisites: Linear Regression in Python
Deep Learning Prerequisites: Logistic Regression in Python
Data Science: Deep Learning in Python
Easy Natural Language Processing (NLP) in Python
Data Science: Practical Deep Learning in Theano + TensorFlow
Data Analytics: SQL for newbs, beginners and marketers
Deep Learning: Convolutional Neural Networks in Python
Cluster Analysis and Unsupervised Machine Learning in Python
Глубокое обучение без учителя на языке Python
Машинное обучение без учителя: скрытые марковские модели на языке Python
Глубокое обучение: рекуррентные нейронные сети на языке Python
Обработка естественного языка с помощью глубокого обучения на языке Python
- понимать, что такое свёртка;
- понимать, как можно применить свёртку к графическим эффектам;
- реализовывать простейший эффект эха в коде;
- понимать и объяснять архитектуру свёрточных нейронных сетей (CNN);
- реализовывать свёрточные нейронные сети в библиотеке TensorFlow;
- понимать, как применять свёртку в аудиоэффектах;
- реализовывать гауссово размытие и обнаружение контура изображения в коде;
- понимать, как свёртка помогает классифицировать изображения;
- реализовывать свёрточную нейронную суть в библиотеке Theano.
ТРЕБОВАНИЯ
Спойлер
- установить Python, Numpy, Scipy, Matplotlib, Scikit Learn, Theano и TensorFlow;
- знать о методе обратного распространения ошибки из курса «Глубокое обучение на языке »;
- знать о способах применения библиотек Theano и TensorFlow в нейронных сетях из курса «Глубокое обучение на языке ».
ВАЖНЫЕ ПРЕДПОСЫЛКИ / НЕОБХОДИМЫЕ ЗНАНИЯ
Спойлер
Это третья часть моего цикла лекций по обработке данных и машинному обучению «Глубокое обучение на языке Python». На данный момент вы уже многое узнали о нейронных сетях и машинном обучении, в том числе не только основные понятия вроде метода обратного распространения ошибки, но и о том, как улучшить их, используя современные методики, такие как моментум или адаптивные коэффициенты обучения. Вы уже создавали глубокие нейронные сети с помощью библиотек Theano и TensorFlow и уже знаете, как запускать программу с помощью графического процессора.
Этот курс о том, как использовать глубокое обучение для компьютерного «зрения» с помощью свёрточных нейронных сетей. Это нынешний уровень состояния дел, когда речь идёт о классификации изображений, когда используются «ванильные» глубокие сети для задач вроде базы данных MNIST.
В этом курсе мы пойдём ещё дальше и рассмотрим базу данных изображений номеров домов (SVHN), использующую больше цветных изображений под разными углами, так что задача будет сложнее и с точки зрения вычислений, и с точки зрения сложности задачи классификации. Но мы убедимся, что свёрточные нейронные сети, или CNN, вполне способны справиться с этой задачей!
Поскольку свёртка является центральной частью этого типа нейронных сетей, мы углубимся в эту тему. Она имеет куда больше приложений, чем вы можете себе представить, например моделирование искусственных органов вроде поджелудочной железы и сердца. Я покажу, как создавать свёрточные фильтры, которые можно использовать в аудиообработке, например эффект эха, и покажу, как создавать фильтры для изображений, например гауссово размытие и обнаружение контуров изображения.
Кроме того, мы обратимся к биологии и обсудим, как зрительная часть коры головного мозга животных повлияли на создание свёрточных нейронных сетей.
После описания архитектуры свёрточных нейронных сетей мы перейдём прямо к коду, и я покажу, как расширить возможности глубинных нейронных сетей, которые мы создавали прежде (в части 2), при помощи нескольких новых функций, чтобы преобразовать их в свёрточные. Затем мы проверим их производительность и покажем, что свёрточные нейронные сети, написанные и в Theano, и в TensorFlow, могут превзойти точность простой нейронной сети на примере базы изображений номеров домов (SVHS).
Все материалы, необходимые для этого курса, находятся в СВОБОДНОМ ДОСТУПЕ. Вы можете скачать и установить Python, Numpy, Scipy, Theano и TensorFlow с помощью ряда простых команд, показанных в предыдущих курсах.
Этот курс посвящён тому, «как создавать и понимать», а не просто «как пользоваться». Любой может после прочтения соответствующей документации научиться пользоваться интерфейсом за 15 минут. Речь идёт не о «запоминании фактов», а о «наблюдении за собой» посредством эксперимента. Курс научит вас визуализировать происходящее внутри модели. Если вы хотите большего, чем просто поверхностного знакомства с моделями машинного обучения, этот курс для вас.
УЧЕБНЫЙ ПЛАН
Спойлер
1. Введение и обзор
23. Практические советы по обработке изображений
7. Проект распознавания выражения лица
ИСТОЧНИК
Код:
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Deep Learning: Convolutional Neural Networks in Python
Автор: Lazy Programmer Inc.
Формат: Видео
Продолжительность: ~ 03:51
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 30 видео лекции длительность: 3 часа 51 минута
Решил сделать перевод всех курсов Lazy Programmer Inc. о искусственном интеллекте, машинном обучении,- взяв за основу материалы из этой .
Вы также можете изучить на русском языке следующие курсы этого автора:
Deep Learning Prerequisites: Linear Regression in Python
Deep Learning Prerequisites: Logistic Regression in Python
Data Science: Deep Learning in Python
Easy Natural Language Processing (NLP) in Python
Data Science: Practical Deep Learning in Theano + TensorFlow
Data Analytics: SQL for newbs, beginners and marketers
Deep Learning: Convolutional Neural Networks in Python
Cluster Analysis and Unsupervised Machine Learning in Python
Глубокое обучение без учителя на языке Python
Машинное обучение без учителя: скрытые марковские модели на языке Python
Глубокое обучение: рекуррентные нейронные сети на языке Python
Обработка естественного языка с помощью глубокого обучения на языке Python
- ЧЕМУ Я НАУЧУСЬ?
- понимать, что такое свёртка;
- понимать, как можно применить свёртку к графическим эффектам;
- реализовывать простейший эффект эха в коде;
- понимать и объяснять архитектуру свёрточных нейронных сетей (CNN);
- реализовывать свёрточные нейронные сети в библиотеке TensorFlow;
- понимать, как применять свёртку в аудиоэффектах;
- реализовывать гауссово размытие и обнаружение контура изображения в коде;
- понимать, как свёртка помогает классифицировать изображения;
- реализовывать свёрточную нейронную суть в библиотеке Theano.
ТРЕБОВАНИЯ
Спойлер
- установить Python, Numpy, Scipy, Matplotlib, Scikit Learn, Theano и TensorFlow;
- знать о методе обратного распространения ошибки из курса «Глубокое обучение на языке »;
- знать о способах применения библиотек Theano и TensorFlow в нейронных сетях из курса «Глубокое обучение на языке ».
ВАЖНЫЕ ПРЕДПОСЫЛКИ / НЕОБХОДИМЫЕ ЗНАНИЯ
- дифференциальное счисление;
- линейная алгебра;
- теория вероятности;
- кодирование на языке Python: условный оператор, циклы, списки, множества;
- кодирование в Numpy: матричные и векторные операции, загрузка CSV-файлов
- способность написать прямую нейронную сеть в библиотеках Theano и TensorFlow
Спойлер
Это третья часть моего цикла лекций по обработке данных и машинному обучению «Глубокое обучение на языке Python». На данный момент вы уже многое узнали о нейронных сетях и машинном обучении, в том числе не только основные понятия вроде метода обратного распространения ошибки, но и о том, как улучшить их, используя современные методики, такие как моментум или адаптивные коэффициенты обучения. Вы уже создавали глубокие нейронные сети с помощью библиотек Theano и TensorFlow и уже знаете, как запускать программу с помощью графического процессора.
Этот курс о том, как использовать глубокое обучение для компьютерного «зрения» с помощью свёрточных нейронных сетей. Это нынешний уровень состояния дел, когда речь идёт о классификации изображений, когда используются «ванильные» глубокие сети для задач вроде базы данных MNIST.
В этом курсе мы пойдём ещё дальше и рассмотрим базу данных изображений номеров домов (SVHN), использующую больше цветных изображений под разными углами, так что задача будет сложнее и с точки зрения вычислений, и с точки зрения сложности задачи классификации. Но мы убедимся, что свёрточные нейронные сети, или CNN, вполне способны справиться с этой задачей!
Поскольку свёртка является центральной частью этого типа нейронных сетей, мы углубимся в эту тему. Она имеет куда больше приложений, чем вы можете себе представить, например моделирование искусственных органов вроде поджелудочной железы и сердца. Я покажу, как создавать свёрточные фильтры, которые можно использовать в аудиообработке, например эффект эха, и покажу, как создавать фильтры для изображений, например гауссово размытие и обнаружение контуров изображения.
Кроме того, мы обратимся к биологии и обсудим, как зрительная часть коры головного мозга животных повлияли на создание свёрточных нейронных сетей.
После описания архитектуры свёрточных нейронных сетей мы перейдём прямо к коду, и я покажу, как расширить возможности глубинных нейронных сетей, которые мы создавали прежде (в части 2), при помощи нескольких новых функций, чтобы преобразовать их в свёрточные. Затем мы проверим их производительность и покажем, что свёрточные нейронные сети, написанные и в Theano, и в TensorFlow, могут превзойти точность простой нейронной сети на примере базы изображений номеров домов (SVHS).
Все материалы, необходимые для этого курса, находятся в СВОБОДНОМ ДОСТУПЕ. Вы можете скачать и установить Python, Numpy, Scipy, Theano и TensorFlow с помощью ряда простых команд, показанных в предыдущих курсах.
Этот курс посвящён тому, «как создавать и понимать», а не просто «как пользоваться». Любой может после прочтения соответствующей документации научиться пользоваться интерфейсом за 15 минут. Речь идёт не о «запоминании фактов», а о «наблюдении за собой» посредством эксперимента. Курс научит вас визуализировать происходящее внутри модели. Если вы хотите большего, чем просто поверхностного знакомства с моделями машинного обучения, этот курс для вас.
УЧЕБНЫЙ ПЛАН
Спойлер
1. Введение и обзор
- Введение и план курса
- Обзор важнейших идей
- Где взять код и данные для этого курса
- Как достичь успеха в этом курсе
- Как загрузить SVHN-данные и критерии для «ванильной» глубокой сети
- Что такое свёртка?
- Пример свёртки в аудио: эхо
- Пример свёртки в графике: гауссово размытие
- Пример свёртки в графике: обнаружение контура изображения
- Самостоятельное написание свёртки
- Альтернативные взгляды на свёртку
- Трансляционная инвариантность
- Архитектура свёрточной нейронной сети
- Связь с биологией
- Свёртка и объединение градиентов
- LeNet – как сводятся фигуры
- Theano – создание компонентов CNN
- Theano – полная свёрточная сеть и проверка на SVHN
- Визуализация выделенных фильтров
- TensorFlow – создание компонентов CNN
- TensorFlow – полная свёрточная сеть и проверка на SVHN
23. Практические советы по обработке изображений
7. Проект распознавания выражения лица
- Описание задачи распознавания выражения лица
- Проблема дисбаланса классов
- Обзор служебного кода
- Свёрточная сеть в Theano
- Свёрточная сеть в TensorFlow
- Как установить Numpy, Scipy, Matplotlib, Pandas, Ipython и TensorFlow
- Как самостоятельно писать код. Часть 1
- Как самостоятельно писать код. Часть 2
https://cloud.mail.ru/public/2NCj/C2JsJFYoT )ИСТОЧНИК
Код: