[Повтор]Машинное обучение с Python + Big Data - (Курс 3 из 17)

[Повтор]Машинное обучение с Python + Big Data - (Курс 3 из 17)

Гость, ты можешь записаться в эту складчину и получить инфопродукт сразу после оплаты, никого не дожидаясь.
---

[Udemy.com] Data Science: Deep Learning in Python

​

Автор: Lazy Programmer Inc.
Формат: Видео
Продолжительность: ~ 5 часов 42 минуты
Перевод: Красный Кут

Тип перевода: Транскрибация с русским переводом
Всего: 53 видео лекции

Спойлер: [I

Введение и план обучения

Спойлер: [I

]Здравствуйте и добро пожаловать на мой первый курс по глубокому обучению и обработке данных на языке Python. Надеюсь, вы так же обрадованы появлением этого курса, как и я сам.

Глубокое обучение – это то, с чего я начал изучать машинное обучение и обработку данных, и легко понять, почему так много людей заинтересовались этой темой и почему так много компаний используют машинное обучение в научных исследованиях и проектах развития. Этот курс посвящён введению в основы построения нейронных сетей. Моя цель – помочь вам создать прочный фундамент, чтобы в случаях, когда речь зайдёт о свёрточных и возвратных нейронных сетях и распознаванию естественного языка, вы не видели в этом проблемы, а выдавали новые идеи, базирующиеся на уже имеющихся у вас знаниях.

Итак, для чего же нужно глубокое обучение?

Как и всё машинное обучение, прежде всего – для прогнозирования. Глубокое обучение работает лучше, чем большинство других методик, и вот некоторые примеры того, что оно может сделать. Я уверен, большинство из вас уже читали, как робот AlphaGo от компании Google обыграла чемпиона мира по игра в Го. По мнению экспертов, это должно было произойти лишь через десяток лет в будущем. Глубокое обучение используется в автомобильных автопилотах. Глубокое обучение используется сейчас в поисковой системе Google. Конечно, оно используется и в более привычных вещах, вроде прогноза ситуации на фондовых рынках и распознавание лиц на картинках. Вы можете использовать глубокое обучение даже для предсказания, кто победит на следующих президентских выборах! Я надеюсь, что этот курс убедит вас в этом. Вообще, что касается алгоритмов машинного обучения, углублённое обучение – это лучшее, что создали ведущие мировые учёные на сегодняшний день.

Поговорим о собственно курсе. Мы будем учиться на придуманном мною примере – том, что я называю проектом курса. Представьте себе, что вы – инженер в IT-бизнесе и хотите получить возможность спрогнозировать действия пользователя, основываясь на собранных данных о его действиях. На протяжении курса вы ознакомитесь с методикой, позволяющей решить эту проблему, и в конце курса сможете самостоятельно её решить.

План курса следующий.

Прежде всего мы рассмотрим функцию Softmax. Сначала мы рассмотрим двоичную классификацию, позволяющую различать лишь одну вещь из двух. Затем мы научимся различать любое количество вещей.

Далее мы научимся обучать нейронную сеть. Для этого мы используем очень популярный метод, называемый обратным распространением. Я покажу вам, что это не выдумка, а просто логичное усовершенствование того, что мы уже делали, когда изучали логистическую регрессию.

Следующим мы пересмотрим проблему XOR, с которой уже сталкивались при рассмотрении логистической регрессии, когда нам пришлось вручную создавать специальные функции, чтобы логистическая регрессия могла преодолеть эту проблему. Я покажу вам, что нейронные сети способны автоматически распознавать различные функции при построении нейронных сетей.

Для начала мы изучим библиотеку Numpy, чтобы вы могли сами создать нейронную сеть и оценить теорию, на которой она базируется. После этого я покажу вам, как использовать библиотеку TensorFlow, чтобы создать простенький плагин, который можно применить для глубокого обучения. Мы также рассмотрим TensorFlow Playground, что позволит нам наглядно увидеть, как действует нейронная сеть. В конце курса мы сделаем ещё один проект по распознаванию лиц.

Напоследок я хочу отметить, что усовершенствование этого курса продолжается. Я всегда организовываю обратную связь и вношу изменения в курс на основе отзывов. Вы могли ожидать больше учебного материала, больше практических примеров, возможностей получить твёрдые знания и всего остального. Если вам это интересно, вы можете написать мне.

Надеюсь, вам понравится этот курс!

Спойлер: [I

Учебный план курса:[/I]]

Спойлер: [I

[/I]

• 
  
  
  • Что такое нейронная сеть?

• 
  
  
  • Введение и план курса

• 
  
  
  • Как этот курс вписывается в углубленное изучение?

• 
  
  
  • Тест на готовность к глубокому изучению

• 
  
  
  • Нейронные сети без математики

• 
  
  
  • Введение в проект курса электронной коммерции

Одновременная классификация более чем двух веще

• 
  
  
  • Прогнозирование: введение в раздел и план

• 
  
  
  • От логистической регрессии к нейронным сетям

• 
  
  
  • Софтмакс

• 
  
  
  • Сигмоид против Софтмакс

• 
  
  
  • Перенаправление в Slow-Mo(часть 1)

• 
  
  
  • Упреждение в Slow-Mo(часть 2)

• 
  
  
  • Где получить код для этого курса

• 
  
  
  • Softmax в кодексе

• 
  
  
  • Построение всей открытой нейронной сети в Python

• 
  
  
  • Проект курса электронной коммерции: предварительная обработка данных

• 
  
  
  • Проект курса электронной коммерции: создание прогнозов

• 
  
  
  • Прогноз: резюме раздела

Обучение нейронной сети

• 
  
  
  • Тренинг: Введение в раздел и план

• 
  
  
  • Что означают все эти символы и буквы?

• 
  
  
  • Что значит «обучиться» нейронной сети?

• 
  
  
  • Обратное распространение. Введение

• 
  
  
  • Обратное распространение. От чего зависит обновление весовых коэффициентов?

• 
  
  
  • Обратное распространение. Рекурсивность

• 
  
  
  • Обратное распространение кода

• 
  
  
  • НЕПРАВИЛЬНЫЙ способ научиться обратному распространению

• 
  
  
  • Проект курса электронной коммерции: Учебная логистическая регрессия с Softmax

• 
  
  
  • Проект курса электронной коммерции: обучение нейронной сети

Практическое машинное обучение

• 
  
  
  • Практическое машинное обучение

• 
  
  
  • Практические вопросы: введение раздела и план

• 
  
  
  • «Пончик» и обзор XOR

• 
  
  
  • Возвращение - «пончик» и XOR

• 
  
  
  • Общие нелинейности и их производные

• 
  
  
  • Гиперпараметры и перекрёстная проверка

• 
  
  
  • Выбор курса обучения и наказание за регулирование

• 
  
  
  • Практические вопросы: Резюме раздела

TensorFlow, упражнения, практика и что учиться дальше

• 
  
  
  • Пример подключения TensorFlow plug-and-play

• 
  
  
  • Визуализация результатов обучения нейронной сети с помощью TensorFlow plug-and-play

• 
  
  
  • Что дальше?

• 
  
  
  • Вы знаете больше, чем вы думаете, что знаете

• 
  
  
  • Как усвоить глубокие знания + упражнения

Проект: Распознавание выражений лица

• 
  
  
  • Описание проблемы распознавания выражения лица

• 
  
  
  • Проблема дисбаланса классов

• 
  
  
  • Прохождение служебных программ

• 
  
  
  • Распознавание выражений лица в коде (двоичный / сигмоидный)

• 
  
  
  • Распознавание выражений лица в коде (логистическая регрессия Softmax)

• 
  
  
  • Распознавание выражений лица в коде (ANN Softmax)

Приложения

1. Учебник по градиентному спуску
2. Обратное распространение с помощью Softmax
3. Как установить Numpy, Scipy, Matplotlib, Pandas, IPython, Theano и TensorFlow?

ДЕМО ПЕРЕВОД

Вы также можете изучить на русском языке следующие курсы этого автора:

Спойлер: Другие курсы

Deep Learning Prerequisites: Linear Regression in Python КУРС 1
Deep Learning Prerequisites: Logistic Regression in Python КУРС 2
Data Science: Deep Learning in Python КУРС 3
Easy Natural Language Processing (NLP) in Python КУРС 4
Data Science: Practical Deep Learning in Theano + TensorFlow КУРС 5
Data Analytics: SQL for newbs, beginners and marketers КУРС 6
Deep Learning: Convolutional Neural Networks in Python КУРС 7
Cluster Analysis and Unsupervised Machine Learning in Python КУРС 8
Глубокое обучение без учителя на языке Python КУРС 9
Машинное обучение без учителя: скрытые марковские модели на языке Python КУРС 10
Глубокое обучение: рекуррентные нейронные сети на языке Python КУРС 11
Обработка естественного языка с помощью глубокого обучения на языке Python КУРС 12

Источник:

Код:

https://www.udemy.com/data-science-deep-learning-in-python/#curriculum