[Udemy]Машинное обучение с Python + Big Data - (Курс 9 из 17)
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 04:05
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 40 видео лекции
Готовность: 30.12.18
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 ВЫ НАУЧИТЕСЬ
Спойлер
– понимать теорию, лежащую в основе метода главных компонент (PCA);
– знать, почему метод главных компонент полезен для уменьшения размерности, визуализации, де-корреляции и шумоподавления;
– вручную выводить алгоритм метода главных компонент;
– писать код для метода главных компонент;
– понимать теорию, лежащую в основе метода t-SNE (метод нелинейного снижения размерности и визуализации многомерных переменных);
– использовать метод t-SNE в коде;
– понимать ограничения методов PCA и е-SNE;
– понимать теорию, лежащую в основе автокодировщиков;
– создавать автокодировщик в Theano и TensorFlow;
– понимать, как многоуровневые автокодировщики используются в глубоком обучении;
– создавать многоуровневый шумоподавляющий автокодировщик в Theano и TensorFlow;
– понимать теорию, лежащую в основе ограниченных машин Больцмана (RBM);
– понимать, почему сложно обучать ограниченные машины Больцмана;
– понимать алгоритм сравнительного расхождения для обучения ограниченных машин Больцмана;
– создавать собственную машину Больцмана и глубокую сеть доверия (DBN) в Theano и TensorFlow;
– визуализировать и интерпретировать признаки, изученные автокодировщиками и ограниченными машинами Больцмана.
ТРЕБОВАНИЯ
Спойлер
– знание дифференциального счисления и линейной алгебры;
– навыки в кодировании на языке Python;
– некоторый опыт в использовании библиотек Numpy, Theano и TensorFlow;
– знать, как использовать градиентный спуск для обучения моделей машинного обучения;
– установить библиотеки Numpy, Theano и TensorFlow;
– некоторые познания в теории вероятностей и математической статистике;
– умение написать код для нейронной сети прямого распространения в Theano и TensorFlow.
ОПИСАНИЕ
Спойлер
Этот курс – следующий логический этап в моём цикле о глубоком обучении, обработке данных и машинном обучении. Я создал множество курсов, посвящённых глубокому обучению, и недавно выпустил курс о машинном обучении без учителя, в котором говорилось о кластеризации и оценке плотности. А что мы получим, объединив эти две вещи? Глубокое обучение без учителя!
Мы начнём курс с самых основ – метода главных компонент (PCA) и популярной методике нелинейного снижения размерности, известной как t-SNE (метод нелинейного снижения размерности и визуализации многомерных пространств).
Затем мы рассмотрим особый тип нейронной сети без учителя, называемый автокодировщиком. После описания принципа работы автокодировщика я покажу, как можно связать вместе ряд автокодировщиков для формирования многоуровневого автокодировщика, что приводит к улучшению работы глубокой нейронной сети с учителем. Автокодировщики похожи на нелинейную форму метода главных компонент.
Далее мы рассмотрим ограниченную машину Больцмана (RBM). Это ещё одна популярная нейронная сеть без учителя, которую можно использовать так же, как автокодировщики, для предварительного обучения глубоких нейронных сетей с учителем. Я познакомлю вас с любопытным способом обучения ограниченных машин Больцмана, известный как выборка Гиббса, особый случай метода Монте-Карло с применением цепей Маркова, и продемонстрирую, что хотя этот метод является лишь грубо приближённым, он в конце концов приводит к уменьшению других функций затрат, таких же, как и используемые в автокодировщиках. Этот метод также известен как алгоритм сравнительного расхождения (contrastive divergence, или, сокращённо, CD-k). Как и в физике, мы определяем понятие, называемое свободной энергией, и пытаемся минимизировать её величину.
И наконец мы объединим вместе все эти концепции и наглядно увидим, что происходит, если использовать PCA и t-SNE для признаков, которые были изучены автокодировщиками и ограниченными машинами Больцмана. Мы увидим, что даже без меток результат показывает обнаружение зависимостей.
Все материалы, необходимые для этого курса, являются БЕСПЛАТНЫМИ. Поскольку этот курс является четвёртым в цикле о глубоком обучении, предполагается, что вы уже знакомы с дифференциальным счислением, линейной алгеброй и написанием программ на языке Python. Кроме того, для данного курса вам следует установить библиотеки Numpy, Theano и Tensorflow. Они являются важными инструментами в сфере анализа данных.
Если вы интересуетесь глубоким обучением и желаете ознакомиться с современными разработками в сфере глубокого обучения помимо простого метода обратного распространения, включая использование нейронных сетей без учителя для интерпретации признаков, которые могут быть автоматически и иерархически изучены системами глубокого обучения, - этот курс для вас.
Этот курс сконцентрирован на том, «как создавать и понимать», а не просто «как использовать». Любой может овладеть пользовательским интерфейсом за 15 минут после прочтения соответствующей документации. Речь идёт не о «запоминании фактов», а о «саморазвитии» посредством набора опыта. Курс научит вас, как наглядно видеть, что происходит внутри модели. Если хотите большего, чем просто поверхностного взгляда на модели машинного обучения, - этот курс для вас.
Источник
Код:
Phyrshtadskaya4k, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---
Глубокое обучение без учителя на языке Python
Автор: Lazy Programmer Inc.
Формат: транскрибация видео
Продолжительность: ~ 04:05
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 40 видео лекции
Готовность: 30.12.18
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 ВЫ НАУЧИТЕСЬ
Спойлер
– понимать теорию, лежащую в основе метода главных компонент (PCA);
– знать, почему метод главных компонент полезен для уменьшения размерности, визуализации, де-корреляции и шумоподавления;
– вручную выводить алгоритм метода главных компонент;
– писать код для метода главных компонент;
– понимать теорию, лежащую в основе метода t-SNE (метод нелинейного снижения размерности и визуализации многомерных переменных);
– использовать метод t-SNE в коде;
– понимать ограничения методов PCA и е-SNE;
– понимать теорию, лежащую в основе автокодировщиков;
– создавать автокодировщик в Theano и TensorFlow;
– понимать, как многоуровневые автокодировщики используются в глубоком обучении;
– создавать многоуровневый шумоподавляющий автокодировщик в Theano и TensorFlow;
– понимать теорию, лежащую в основе ограниченных машин Больцмана (RBM);
– понимать, почему сложно обучать ограниченные машины Больцмана;
– понимать алгоритм сравнительного расхождения для обучения ограниченных машин Больцмана;
– создавать собственную машину Больцмана и глубокую сеть доверия (DBN) в Theano и TensorFlow;
– визуализировать и интерпретировать признаки, изученные автокодировщиками и ограниченными машинами Больцмана.
ТРЕБОВАНИЯ
Спойлер
– знание дифференциального счисления и линейной алгебры;
– навыки в кодировании на языке Python;
– некоторый опыт в использовании библиотек Numpy, Theano и TensorFlow;
– знать, как использовать градиентный спуск для обучения моделей машинного обучения;
– установить библиотеки Numpy, Theano и TensorFlow;
– некоторые познания в теории вероятностей и математической статистике;
– умение написать код для нейронной сети прямого распространения в Theano и TensorFlow.
ОПИСАНИЕ
Спойлер
Этот курс – следующий логический этап в моём цикле о глубоком обучении, обработке данных и машинном обучении. Я создал множество курсов, посвящённых глубокому обучению, и недавно выпустил курс о машинном обучении без учителя, в котором говорилось о кластеризации и оценке плотности. А что мы получим, объединив эти две вещи? Глубокое обучение без учителя!
Мы начнём курс с самых основ – метода главных компонент (PCA) и популярной методике нелинейного снижения размерности, известной как t-SNE (метод нелинейного снижения размерности и визуализации многомерных пространств).
Затем мы рассмотрим особый тип нейронной сети без учителя, называемый автокодировщиком. После описания принципа работы автокодировщика я покажу, как можно связать вместе ряд автокодировщиков для формирования многоуровневого автокодировщика, что приводит к улучшению работы глубокой нейронной сети с учителем. Автокодировщики похожи на нелинейную форму метода главных компонент.
Далее мы рассмотрим ограниченную машину Больцмана (RBM). Это ещё одна популярная нейронная сеть без учителя, которую можно использовать так же, как автокодировщики, для предварительного обучения глубоких нейронных сетей с учителем. Я познакомлю вас с любопытным способом обучения ограниченных машин Больцмана, известный как выборка Гиббса, особый случай метода Монте-Карло с применением цепей Маркова, и продемонстрирую, что хотя этот метод является лишь грубо приближённым, он в конце концов приводит к уменьшению других функций затрат, таких же, как и используемые в автокодировщиках. Этот метод также известен как алгоритм сравнительного расхождения (contrastive divergence, или, сокращённо, CD-k). Как и в физике, мы определяем понятие, называемое свободной энергией, и пытаемся минимизировать её величину.
И наконец мы объединим вместе все эти концепции и наглядно увидим, что происходит, если использовать PCA и t-SNE для признаков, которые были изучены автокодировщиками и ограниченными машинами Больцмана. Мы увидим, что даже без меток результат показывает обнаружение зависимостей.
Все материалы, необходимые для этого курса, являются БЕСПЛАТНЫМИ. Поскольку этот курс является четвёртым в цикле о глубоком обучении, предполагается, что вы уже знакомы с дифференциальным счислением, линейной алгеброй и написанием программ на языке Python. Кроме того, для данного курса вам следует установить библиотеки Numpy, Theano и Tensorflow. Они являются важными инструментами в сфере анализа данных.
Если вы интересуетесь глубоким обучением и желаете ознакомиться с современными разработками в сфере глубокого обучения помимо простого метода обратного распространения, включая использование нейронных сетей без учителя для интерпретации признаков, которые могут быть автоматически и иерархически изучены системами глубокого обучения, - этот курс для вас.
Этот курс сконцентрирован на том, «как создавать и понимать», а не просто «как использовать». Любой может овладеть пользовательским интерфейсом за 15 минут после прочтения соответствующей документации. Речь идёт не о «запоминании фактов», а о «саморазвитии» посредством набора опыта. Курс научит вас, как наглядно видеть, что происходит внутри модели. Если хотите большего, чем просто поверхностного взгляда на модели машинного обучения, - этот курс для вас.
https://cloud.mail.ru/public/HAsK/baeQs4Eat Источник
Код: