Керівництво по написанню вашої власної нейронної мережі на Python і Numpy, і як це зробити в Google s TensorFlow.
Цей курс допоможе вам розпочати створення вашої першої штучної нейронної мережі за допомогою методів глибокого навчання. Дотримуючись мого попереднього курсу логістичної регресії, ми беремо цей базовий будівельний блок і будуємо повноцінні нелінійні нейронні мережі прямо з воріт, використовуючи Python та Numpy. Всі матеріали для цього курсу безкоштовні.
Ми розширюємо попередню модель бінарної класифікації на кілька класів, використовуючи функцію softmax, і виводимо дуже важливий метод навчання, який називається "зворотне поширення", використовуючи перші принципи. Я покажу вам, як кодувати зворотне розповсюдження в Numpy, спочатку "повільним способом", а потім "швидким способом", використовуючи функції Numpy.
Далі Ми реалізуємо нейронну мережу за допомогою нової бібліотеки Google TensorFlow.
Вам слід пройти цей курс, якщо ви зацікавлені в тому, щоб почати свій шлях до того, щоб стати майстром глибокого навчання, або якщо вас цікавить Машинне навчання та наука про дані загалом. Ми виходимо за рамки базових моделей, таких як логістична регресія та лінійна регресія, і я покажу вам щось, що автоматично вивчає особливості.
Цей курс надає вам безліч практичних прикладів, щоб ви дійсно могли побачити, як глибоке навчання може бути використано в чому завгодно. Протягом усього курсу ми будемо виконувати курсовий проект, який покаже вам, як прогнозувати дії користувача на веб-сайті з урахуванням даних користувачів, таких як, Чи є цей користувач на мобільному пристрої, кількість переглянутих ним товарів, як довго вони залишаються на вашому сайті, незалежно від того, чи є він на мобільному пристрої чи ні. вони є повертаються відвідувачами, і в який час доби вони відвідали.
Інший проект в кінці курсу покаже вам, як ви можете використовувати глибоке навчання для розпізнавання виразів обличчя. Уявіть, що ви можете передбачити чиїсь емоції, просто грунтуючись на картинці!
Ознайомившись з основами, я пропоную короткий огляд деяких новітніх розробок в області нейронних мереж - злегка змінених архітектур і того, для чого вони використовуються.
Примітка:
Якщо ви вже знаєте про softmax та зворотний розподіл і хочете пропустити теорію та прискорити процес, використовуючи більш просунуті методи разом із оптимізацією графічного процесора, перегляньте мій наступний курс на цю тему "наука даних: практичні концепції глибокого навчання в Theano та TensorFlow".
У мене є інші курси, які охоплюють більш просунуті теми, такі як згорткові нейронні мережі, обмежені машини Больцмана, автокодери та багато іншого! Але ви хочете дуже добре влаштуватися з матеріалом цього курсу, перш ніж переходити до більш просунутих предметів.
Цей курс стосується "як створювати та розуміти", а не просто "як користуватися". Будь-хто може навчитися використовувати API за 15 хвилин після прочитання деякої документації. Йдеться не про" запам'ятовування фактів", а про те, щоб" побачити все своїми очима " за допомогою експериментів. Це навчить вас, як візуалізувати те, що відбувається всередині моделі. Якщо ви хочете більше, ніж просто поверхневий погляд на моделі машинного навчання, цей курс для вас.
Посилання
https://privatelink.de/?https://www.udemy.com/data-science-deep-learning-in-python/