[Udemy]Машинное обучение с Python + Big Data - (Курс 9 из 17)

[Udemy]Машинное обучение с Python + Big Data - (Курс 9 из 17)

Гость, 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 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 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.

ДЕМО ПЕРЕВОД

Источник

Код:

https://www.udemy.com/unsupervised-deep-learning-in-python/

 

не туда

 

перенаправил.

 

на какие даты планируем сборы? @Красный Кут вроде бы говорил, что почти сразу перевел ?

 

Привет А вы понимаете что взнос мы навряд ли опустим существенно ниже для вас? Чем дальше тем меньше народу записывается. Что делать? Я то 9 курс переведу , и планирую сделать это к концу июля. Сейчас разбираю автокодеровщик

 

а меня устраивает, я давно готов выкупить все переводы до 17го включительно по такой цене и даже чуть выше.

 

А что делать - я давно предлагал за раз продавать по 5-7 курсов в наборе с переводом, когда народ был и интересовался. С начала перевода(первого) прошло БОЛЬШЕ ГОДА, если что. Изначально говорили об одном-двух в месяц, а что вышло?

 

А что это изменило бы? По времени это ни как бы нас не ускорило, и цену не снизило бы взноса.

 

Так все, продолжения не будет?

 

Я всеми руками за продолжение данного мероприятия. Меня и такая цена устраивает и в 2 раза больше устроит. Уважаемый @Красный Кут, не бросайте переводы плиз

 

Будет.

 

Поддержите складчину рекламой или подписью. Уже было так,что люди выписывались два раза из разных складчину. Руки опускаются так как много работы было сделано

 

а когда? По моему кол-во участников не изменится.

 

Может стоит пересоздать складчину, тогда и народу поднабежит поболее чем сейчас?

 

Начал переводить курс в пт
До этого 50 % курса было уже переведено

 

Не уверен, что это поможет нам) . Вы порекомендуйте склачдину нашу среди коллег или поставьте ее в подпись

 

В подписи-то складчина стоит, вот только не уверен, что от этого есть какой-то толк.

 

Если вы общаетесь на складчика,тогда в этом есть толк. Спасибо!

 

Если вы общаетесь на складчика,тогда в этом есть толк. Спасибо!

 

Очень часто прохожу по ссылкам в подписях ....