365bet在线网址

365bet在线网址

当前位置:主页 > 日博娱乐 >

我不会学习Deeplearning.ai吴恩达的课程,你会在读

来源: 365bet体育在线滚球下载 作者: 365bet体育手机 发布时间:2019-02-02
雷锋网(私人:雷锋)AI技术评论:本文作者是ThomasTreml,一位具有社会学背景的独立数据科学专家。
他用一种媒介分享了他的深度学习工作室。
课程体验和感受ai。
它是由Lightning Feng网络AI技术评论编写的。
我最近在Coursera完成了AndrewNg深度学习。
由于这是爱的专业课程,我想分享我在学习本课程时的想法和经验。
我之前发现,对ArvindN编写的前三个课程的评论非常有用,特别是如果我写这篇评论来帮助决定这门课程,我希望它对人们也有用。
说实话,我在学完这五节课后获得了很多好处。
课程内容结构合理,对于对女王代数知之甚少的人非常友好。
然后,如果你有Python编码经验,那只是一点点。
课程中的大多数编程任务都设置得很完美。
除了它的移动特性之外,试图解决这些问题的过程非常令人愉快。
最后,在我看来,学习这门特殊课程是深入探索深度学习领域的绝佳方式。
完成课程后,您可以通过深度学习找到想要继续学习的地方。
背景首先,在参加这门课程之前,我必须承认我对神经网络持怀疑态度。
由于我有传统的机器学习经验,我对一个黑盒子模型持怀疑态度,就像神经网络结合了几个功能(神经元)(我不能单独训练和评估)。验证模型
另一方面,深度学习和人工智能的普及使我对此持怀疑态度。
不过,我会考虑那些认真告诉我深刻学到的朋友的所有建议,特别是在苏黎世的ApacheSpark派对上的Shoaib Burq演讲。这对我来说是一个非常重要的转折点。
在那之后,去年,我决定加深深入学习,以解决我的疑虑。
首先,我开始观看一些视频,阅读我的博客,并遵循一些教程。
不幸的是,这些尝试证明了我之前的假设,即深度学习背后的数学机制对我来说太深了。
关于演绎推理和抽象理论,我喜欢将数学应用于实践,但我是一个拥有完整权利的人。
当我第一次听说缺乏学习。
当我专注于ai时,我非常兴奋。
在之前的课程中,我注意到Coursera平台学习方法非常适合我。
然后,通过Andrew Ng的第一个精彩的开放式在线课程(MOV)的视频,我了解到他是机器学习领域的优秀教师。
但是,由于当时用于课程的编程语言是Octave,我们无法完成该课程的作业。
然后,在得知课程的任务是使用Python实现编程(这是我的主要编程语言)之后,这一系列课程将导致系统学习深度学习最后我确信。
但首先,我没有足够的时间来完成课程。
当我去年年中出现健康问题时(情况并不严重,但非常令人不安),情况发生了变化。
当我感觉好些时,我终于决定参加第一门课程。
在许多情况下,我只会参加我想要在特定课程上学习的某些主题,观看视频并立即开展工作。
但是,这次我决定坚持从头到尾一步一步地学习。
我希望对认知任务的研究将有助于尽快恢复。
完成这些编程任务也是返回编程和日常操作的好机会。
事实上,在前几周的前几周,我只能在显示器前站立很短的时间。
所以我不得不打印这份工作,在纸上解决它们,然后在互联网上输入答案。
此外,首先出现了意想不到的副作用。在前三节课中,安德鲁采访了深度学习领域的英雄(Hinton,Bengio,Karpathy等)。
这些视频不仅内容丰富,而且对我来说,我特别感谢IanGoodfellow视频。
在专业水平上干燥产品,当你对这个问题相当陌生时,你可以学习缺乏学习。
爱有很多知识。
首先,他学习了神经网络的基础,前向传播如何与简单的序列模型一起工作,什么是反向传播,等等。
我一遍又一遍地看到和听说过神经网络的这些基本元素。
然而,Andrew Ng的定义和介绍是最清晰和系统的。
所以,我认为这门课程是学习这些基础的一种非常有效的方法,这比我以前学过的教程,博客和讲座更有价值。
作为补充,第一课立即表明我之前的假设是错误的,也就是说,深度学习所涉及的数学对我来说太先进了。实际上,课程的大部分概念都是在我的学生时期或学习期间发表的,所以我没有硕士学位,所以请不要害怕希腊字母在公式上非常相似。
要了解的基础知识只有矩阵运算,部分梯度计算,基本线性回归模型和梯度下降方法的理解,以及安德鲁教你的其他知识。。
正如您在许多其他技术资料中看到的那样,您将了解到第一课深度学习中神经网络的结构在生物模型中并不相同。
神经元的信号处理机制与神经网络在深度学习中的作用有很大不同(第一次线性计算,然后是激活函数引入的非线性)。
初学者非常方便的一点是学习各种形式的深度学习项目。
例如,使用预训练模型或端到端学习方法来学习迁移。
此外,至少在方法层面解决了数据改进的概念。
对于更复杂的课程,它将接触图像识别(课程4)和序列模型(课程5)。
这两节课介绍了卷积神经网络(CNN)和递归神经网络(RNN)的最常见变体。
我认为这是专业化的一大优势。您可以学习各种最先进的模型和方法。
您可能不是一个深度学习专家,但您会注意到您可以更多地关注该领域的哪些领域。
此外,我认为通过法郎了解课程非常有用?
oisChollet的“深度学习和Python”一书补充了对课程缺乏了解。
本书中缺少的技术方法的基础在课程讲解中得到了很好的解释。
同时,虽然已经提到了这门课程,但本书将详细解释未在任务中广泛实施的详细学习项目。
特别是,本课程的编程任务缺乏数据预处理部分第二和第四个MOOC有一个关于如何使用深度学习框架(Tensorflow和Keras)的教程。Kelas的创造者将教你如何加深你的深度。
接下来,我将向您展示我对这五门课程的期望以及与该课程相关的个人经历。
最后,我还总结了一些个人想法。
神经网络和深度学习本课程介绍神经网络的基本组成部分。
学习逻辑回归,损失函数,激活函数,梯度下降法(随机梯度下降法和小批量梯度下降法)的机制。
他还简要介绍了如何使用Python Numpy库进行队列代数计算。
猫图像分类课程的主要工作是提供概述。
AndrewNg是一位优秀的演讲者,你应该能够理解课程中的内容,即使对于数学很少的人也是如此。在本练习中,我们首先使用单个感知器实现二元分类任务,然后升级到多层感知器以实现相同的目标。最后一个操作是使用Numpy编码实现深度神经网络。
特别地,这两个图像分类任务在某种意义上在某种程度上是有益的和有益的,因为它们实现了Demi分类器。
如上图所示,您可以判断猫是否在图像中。
高阶深度神经网络:优化,正则化,超参数优化方法本课程介绍如何调整深度神经网络。
这些课程解决了最常见的问题,例如过度拟合和渐变的消失/爆炸。
了解如何找到正确的权重初始化,丢失使用,正则化,规范化。
当然,我们将了解优化算法的各种变化如何工作以及哪种优化算法最适合该问题。
对我来说,本课程中最有用的知识之一是使用随机值而不是更结构化的方式调整超参数。
与使用网格搜索相比,在定义的空间内以正确的比例选择随机值更有效。如果您参加过传统的机器学习,那么您应该非常熟悉网格搜索。
这个课程的工作有点无聊,我猜这是因为他们有一些事情需要处理。
但是每项工作都是一项很大的优势,尤其是与优化技术相关的任务。
作为一个额外的好处,在课程结束时有一个关于如何使用Tensorflow的教程。这对下一个任务非常有用。
建立一个自动学习项目这门课程绝对是一只黑天鹅。
由于它被设计为一个为期两周的课程,我希望能够快速填写前两门入门课程和CNN和RNN高级课程。
而且,我认为他非常习惯于建立一个机器学习项目。
但这对我来说是最有价值的课程。
在本课程中,您将学习开发深度学习模型的良好实践。
对于大多数机器学习专家,您需要熟悉将数据集拆分为三个部分的操作:培训,验证和测试。
在开始项目之前,您需要检查要优化的指标。
此外,有必要量化模型执行区域的最佳贝叶斯误差(BOE)以用于人类水平误差(HLE)。这是一个重要的步骤,我之前没有意识到(我通常将性能与参考模型进行比较,这同样重要)。
当然,如果您需要评估模型的性能,请将校准误差与BOE(或HLE)和训练误差进行比较。
因此,您可以比较可避免的偏差(BOE和训练误差)和模型方差(训练误差和校准误差)。
哪个更大决定了要遵循的策略,以进一步提高绩效。
例如,如果存在变体问题,您可以获得更多数据,输入常规项目或尝试完全不同的方法(例如,替代架构或不同的超参数搜索方法)。
您还可以了解创建项目的不同策略以及移民学习和整体学习的详细信息。
卷积神经网络由于我对计算机视觉不是很感兴趣,我对计算机视觉的期望并不高,至少在我参加这门课程之前。
但是,我发现这成了我整个系列中最具教育性的课程之一。
在本课程中,我将主要学习CNN以及它如何应用于机器视觉任务。
在课程视频中,您可以了解CNN的组件以及它们如何转换张量。
一些视频还涵盖了剩余网络(ResNet)和Inception架构。
基于对YOLO动物的检测,我还发现了一些关于YOLO算法的精彩视频。
在这个过程中,YOLO的基本功能得到了很好的可视化,这让我感觉很新,让我意识到物体的检测是一项愉快的任务。然而,很明显,预测速度也是一个非常重要的指标,因此构建具有优异性能和复杂性的模型是不够的。
这应该是本系列中五个任务中最具教育意义的。在这里,我们需要实现CNN的低级抽象架构。
然后我选择了部分代码来实现反向传播。它加深了我对这种反向学习过程的理解。
人脸识别有两个任务。
这个主题的过程和挑战将为我们提供一个学习我们所学知识的绝佳机会。
爱团队成员 - 至少请看你的照片。
您的照片被用作确认图片。
NeuroStyleTransfer还有一个艺术相关的任务,NeuralStyleTransfer。
基本上你必须实现Gatys等人提出的架构。通过Tensorflow到您的2015年文档。
除了课程的要求,我用这个模型来娱乐自己一段时间,并得到一些有趣和可怕的结果。
通过查看中间记录的结果,您可以看到模型如何学习输入图像并在每次迭代时应用样式。
我的模型是从源图像的眼睛部分学习并应用到输入图像的表面,所以我感觉像弗兰肯斯坦一段时间,所以我不小心得到了DeepFake。
序列模型这是本系列的最后一课,也是我认为最困难的部分。
了解RNN,封闭循环单元(GRU),短期记忆(LSTM)及其双向实施的基础知识。
我的最终目标是实现对这些模型的理解和专业使用,但我认为仍然难以掌握。
这可能是由于复杂的内部概念,如Backpropagationthroughtime,Wordembedding,Beamsearch等。
我认为这些更难的问题应分为四周,以便更好地学习,而不是目前的三周。
另一方面,本课程的问卷和编程非常简单。
您必须编写一个模型来命名恐龙,您将学习如何构建RNN,您可以从一系列字母中学习以生成新的类似内容。
LSTM适用于各种任务。
只要我们以序列为出发点,我们就建立一个可以用莎士比亚风格写诗的模型。
然后在另一个项目中,你可以再次成为艺术家。
在创建LSTM并学习爵士音乐库的音乐模式后,您需要使用此模型来生成新的爵士乐即兴创作。
这不太令人满意,但我的结果听起来像这样,但听起来有点遥远。
所以这就是LSTM的必要性。在这个时候,我们需要结合LSTM和嵌入层来检测输入序列的语义,并在句子的末尾添加最合适的象形图。
嵌入单词并通过LSTM自动添加公式非常棒。他在第二周学到的不仅仅是关于单词的覆盖,还有关于嵌入单词的社会偏见问题。
最重要的是,您将学习如何通过三个步骤解决这个问题:识别 - 中和 - 均衡。
最后,高度教育性的任务是最后的编程任务。
就像启动AmazonEcho和GoogleHome设备一样,您可以创建WordDetector触发器。
我的模特比Google智能助理更了解我,我郑重承诺会有更舒适的觉醒词汇。
最后一个想法的最后一部分,我想说,如果你是一个相对较新的学习相对较新,你将能够从这门特殊课程中学到很多东西。如果您已经了解神经网络,则可以跳过前两个课程。
如果您熟悉图像识别和序列模型,它鼓励您只参加“机器学习项目”课程。
另一方面,请说明它属于哪种学习类型。
如果您是严格的练习,这个专业课程可能不适合您,您应该寻找其他更合适的课程。
据说速度很快。
爱提供更丰富的实践经验。
此外,如果您只对理论问题感兴趣而且您对实际实施不感兴趣,那么您可能对课程不满意。我们鼓励您参加当地大学提供的一些课程。
也许您只对特定的深度学习领域感兴趣,然后可能会有其他更适合您的课程。例如,如果您只是想了解自动驾驶,那么没有Udacity程度的“自动驾驶”课程会更有效率。
尽管没有学过。
自动驾驶也在ai的第3课中介绍,但是这些太薄了,无法提供实际指导。
但是,如果你重视完整的介绍,并希望将其与所有深度学习领域的现场经验相结合,我一定会建议改进。

学习这门特殊课程可能不是你深刻学科的第一步。
我会说这些课程都会带你朝着正确的方向前进,所以你将采取五个步骤。
但是,我很清楚,仅凭这一点还不足以推动人工智能领域的长期专业发展。
我相信这一系列课程将帮助您加深对该领域的基本理解。
但此外,你一贯地练习它,最后考虑更多地考虑深度学习变体的方法论(如课程中提到的更复杂的研究)你应该。
但通过本课程,您可以系统地开始进入该领域。这非常有价值,特别是在目前的深度学习领域,有很多领域。
如果你想了解缺乏学习。
我想更多地了解AI专业课程和其他人的观点(与我类似):我鼓励你看一下Christoph Bonitz关于他参与MOOC经验的演讲。
你可以在这里看到视频。
最重要的是不要后悔花在专业课程Coursera。
我的大多数期望都得到了满足,而且我在专业水平上学到了很多东西。
这是完成所有课程(包括选修课程)的不错选择。
我非常感谢Andrew Ng鼓励我阅读本文档,以便我们能够探讨具体问题。
因此,您将获得MOOC课堂的选择性阅读列表,我认为它也非常有用。
最后,本专业课程的要点如下。我完全相信深度学习方法及其力量。
它的主要优势在于能够概括传统机器学习模型中可能无法提供的大量数据和类似任务的可扩展性。
所以,我要感谢AndrewNg。
我很欣赏ai团队,Coursera提供这样有价值的内容。
以强化学习为主题,我绝对希望这个专业课程能在不久的将来开始第六期课程!
免责声明:作者没有与未经学习的人联系在一起。
Ai,Coursera或其他MOOC提供商。
这是我在2017-11-11和2018-02之间参加此课程时作者的个人经历。
此外,该博客提到该课程的内容不包括通用参考,因为该课程的正式组成可能在未来发生变化。
ViaReviewofDeeplearning。
aiCourses,迅雷网络AI技术评论集
Ray Phone网络的原始文章,禁止未经授权的复制。
有关详细信息,请参阅重印说明。

责任编辑:365bet体育手机

最新文章

热门文章

资讯排行

365bet在线网址

返回顶部