Articles

Gépi tanulás 101: Hogyan és hol kezdjünk abszolút kezdőknek

június 19th 2020 1,193 olvas

ez a bejegyzés kiterjed minden, amire szüksége lesz az utazás, mint egy kezdő. Minden erőforrás linkekkel van ellátva. Csak idő kell és odaadás.

ezt a bejegyzést több programra osztottam az alábbiak szerint:

  • Path A. 4-5 hónap
  • Path B. 2 hónap vagy kevesebb
  • Path C. 1 hónap vagy kevesebb

Path A: tanulni 4-5 hónap.

1.rész: Kezdje a gépi tanulással, 2 hónap.

  • gépi tanulási tanfolyam a Stanford Egyetemen (coursera.org / learn / machine-learning)
  • mire elindítja a neurális hálózatot az 5.héten a Coursera tanfolyamon, töltse ki a neurális hálózatok lejátszási listáját a 3BIue1Brown segítségével.
  • azt hiszem, a Coursera természetesen rohan a neurális hálózat része egy kicsit, van egy fantasztikus ingyenes online könyv a neurális hálózat és a Deep Learning (neuralnetworkanddeeplearning.com)
  • most a gépi tanulás és a mélytanulás irodalmának számos fogalma értelmet nyer az Ön számára. Szórakozásból, menj át Chriss Olah blogjaihoz, fantasztikusak! (http://colah.github.io/)

2. rész: mély tanulás, 1 hónap.

  • mielőtt elkezdené a mély tanulást, fel kell frissítenie néhány egyetemi matematikát. A Deep Learning könyv Ian Goodfellow, azt javasoljuk, hogy menjen át a lineáris Algebra és a valószínűség és információelmélet fejezetek olyan mélyen, mint te.
  • a legjobb választás a mély tanulás megkezdéséhez Andrew Ng mély tanulási specializációjával. (coursera.org/specializations/deep-learning)
  • itt az ideje elolvasni a 3., 4., 5., 6. fejezetet is neuralnetworkanddeeplearning.com hogy erősítse a fogalmak

időzítés: ha teljes munkaidőben dolgozik ezeken a tanfolyamokon, úgy gondolom, hogy minden hét tartalmát 1~2 nap alatt be lehet fejezni. Tehát ne ijedjen meg
a menetrend. De adj magadnak egy kis időt, hogy lélegezzen a tanfolyamok között.

3. rész: a mély tanulás gyakorlati megvalósítása (1~2 hónap).

Fast.ai csodálatos erőforrással rendelkezik a gyakorlati mély tanuláshoz (course.fast.ai), míg Andrew Ng vagy mások felülről lefelé irányuló megközelítésben tanítanak (előbb tudd, később tedd) fast.ai alulról felfelé irányuló megközelítésben tanít (először csináld, később tudd meg).Két másik kurzus, amelyet megemlítenék, a Cs231n és a Cs224n a Stanford Egyetemen. A CS231n a számítógépes látásra összpontosít a Deep Learning segítségével, a CS224n pedig a szekvencia modellezésre összpontosít, mint például a természetes nyelv feldolgozása a Deep Learning segítségével.

Path B: Tanulj 2 hónap vagy kevesebb.

töltse ki a Machine Learning tanfolyam első 5 hetét a Coursera-tól, végezze el a programozási gyakorlatokat.

  • nézze meg a neurális hálózat lejátszási listáját a 3blue1brown youtube csatornáról.
  • teljes tanfolyam (neurális hálózatok és mély tanulás) a Deep Learning Specializációból a Coursera-ban. Végezze el a gyakorlatokat.
  • ha képfeldolgozási projektet szeretne indítani, vegye be a 4.tanfolyamot Ln Coursera specializáció, vagy ha természetes nyelvi feldolgozáson vagy szekvenciaadatokon szeretne dolgozni, vegye be az 5.tanfolyamot.

keressen nyílt forráskódú implementációt és YouTube videókat az érdeklődő projektekről. ha aggódik, hogy melyik nyelvet használja, azt hiszem, ez jó, hogy maradjon Keras (Keras egy nyílt forráskódú neurális hálózati könyvtár Python)

Path C: tanulni 1 hónap vagy kevesebb.

  • Skim keresztül Coursera Machine Learning tanfolyam hét 1 hogy 5. Csak nézze meg a videókat, fogja meg a koncepciót. A 3. héten kihagyhatja a MATLAB/Octave oktatóanyagokat.
  • nézze meg a neurális hálózat lejátszási listáját a 3blue1brown youtube csatornáról.
  • Skim keresztül természetesen (neurális hálózatok és mély tanulás) a Deep Learning specializáció Coursera.
  • ha képfeldolgozási projektet szeretne készíteni, olvassa el a Nielsen könyvének fejezeteit: neuralnetworksanddeeplearning.com/chap6.html
  • Siraj Ravalnak van néhány érdekes videója, amelyek a legtöbb ML és DL téma lényegét tartalmazzák.

keressen nyílt forráskódú implementációt és YouTube videókat az érdeklődő projektekről. És folyamatosan csípés őket, hogy a szükség

linkek & opcionális források.

neurális hálózatok és mély tanulás:
coursera.org/learn/neural-networks-deep-learning

szekvencia modellezés –
colah.github.io/posts/2OI5-08-Unndersting-LSTMs /

Siraj Raval: Youtube csatorna

azt javaslom, hogy kövesse 2 perc papír a YouTube-on, hogy
frissítve a csodákat, hogy a kutatók csinálnak mély hajlik szerte a világon.

címkék

Csatlakozz Hacker Noon

hozzon létre INGYENES fiókot, hogy kinyit az egyéni olvasási élményt.