[Udemy]Машинное обучение с Python + Big Data - (Курс 7 из 17)

[Udemy]Машинное обучение с Python + Big Data - (Курс 7 из 17)

Гость, 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 складчины.​

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

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

• ЧЕМУ Я НАУЧУСЬ?

Спойлер

- 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 Python, часть 1»;

- знать о способах применения библиотек Theano и TensorFlow в нейронных сетях из курса «Глубокое обучение на языке Python, часть 2».

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

ОПИСАНИЕ

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
1. Введение и план курса
2. Обзор важнейших идей
3. Где взять код и данные для этого курса
4. Как достичь успеха в этом курсе
5. Как загрузить SVHN-данные и критерии для «ванильной» глубокой сети

2. Свёртка
6. Что такое свёртка?
7. Пример свёртки в аудио: эхо
8. Пример свёртки в графике: гауссово размытие
9. Пример свёртки в графике: обнаружение контура изображения
10. Самостоятельное написание свёртки
12. Альтернативные взгляды на свёртку

3. Описание свёрточной нейронной сети
13. Трансляционная инвариантность
14. Архитектура свёрточной нейронной сети
15. Связь с биологией
16. Свёртка и объединение градиентов
17. LeNet – как сводятся фигуры

4. Свёрточная нейронная сеть в Theano
18. Theano – создание компонентов CNN
19. Theano – полная свёрточная сеть и проверка на SVHN
20. Визуализация выделенных фильтров

5. Свёрточная нейронная сеть в TensorFlow
21. TensorFlow – создание компонентов CNN
22. TensorFlow – полная свёрточная сеть и проверка на SVHN

6. Практические советы
23. Практические советы по обработке изображений

7. Проект распознавания выражения лица
24. Описание задачи распознавания выражения лица
25. Проблема дисбаланса классов
26. Обзор служебного кода
27. Свёрточная сеть в Theano
28. Свёрточная сеть в TensorFlow

8. Приложения
29. Как установить Numpy, Scipy, Matplotlib, Pandas, Ipython и TensorFlow
30. Как самостоятельно писать код. Часть 1
31. Как самостоятельно писать код. Часть 2

ДЕМО перевода ( Скачать )

ИСТОЧНИК

Код:

https://www.udemy.com/deep-learning-convolutional-neural-networks-theano-tensorflow/#curriculum

 

где посмотреть реквизиты ?

 

Автора нет в сети. Что то случилось наверное. Подождём его.

 

Он уже прислал и я уже оплатил, только доступ пока не дал. ))

 

Пока Bingo нет. Я сейчас напишу тп поясню этот вопрос и вам в лс отвечу.