Специализация по глубокому обучению, разработанная Эндрю Нг, стала классическим выбором для тех, кто начинает с глубокого обучения, но действительно ли это стоит потраченного времени и усилий?
В последнее десятилетие вокруг машинного обучения в целом и глубокого обучения в частности было столько шумихи, что вы могли знать эффект от первой нейронной сети, представленной на конкурсе Imagenet, еще в 2011 году скорость графических процессоров значительно увеличилась, что сделало возможным обучение сверточные нейронные сети без послойного предварительного обучения. С увеличением скорости вычислений стало очевидно, что глубокое обучение имеет значительные преимущества с точки зрения эффективности и скорости. Одним из примеров является AlexNet, сверточная нейронная сеть, архитектура которой выиграла несколько международных конкурсов в 2011 и 2012 годах, но история глубокого обучения восходит к 1943 году, когда Уолтер Питтс и Уоррен Маккалок создали компьютерную модель, основанную на нейронных сетях человеческий мозг. Они использовали комбинацию алгоритмов и математики, которую они назвали пороговой логикой, чтобы имитировать мыслительный процесс. С того времени глубокое обучение неуклонно развивалось, и в его развитии было всего два значительных перерыва. Оба были привязаны к печально известным зимам искусственного интеллекта.
Почему вам следует подписаться на специализацию deeplearning.ai?
Глубокое обучение привлекло много внимания, потому что оно особенно хорошо подходит для такого типа обучения, который потенциально может быть очень полезным для реальных приложений. В предыдущем введении в машинное обучение описывался метод обучения, в котором все изображения, которые используются для обучения программы, помечены именем объекта на картинке. В примере с кошкой все изображения кошек помечены как «кошка». Каждый итеративный шаг в тестировании и уточнении модели включает сравнение метки на изображении с меткой, присвоенной этой картинке программой, чтобы определить, правильно ли программа пометила изображение. Этот метод обучения называется обучением с учителем.
- Новая специализация Эндрю Нг в области DL на Coursera очень хороша - дает краткое, но глубокое введение. Эндрю в своем неподражаемом стиле обучает концепциям, так что вы их очень хорошо понимаете и, таким образом, способны усвоить. Это ключ.
- Я думаю, что люди, которые работали с Deep Learning в течение некоторого времени, извлекут максимальную пользу из этой серии - по мере того, как Эндрю углубляется в механику, почему вещи работают так, как они работают, а также некоторые теории, лежащие в основе них.
AI - это новое электричество. - Эндрю Нг
Что мне нравится в курсе
- Повествование и фундаментальная трактовка лежащих в основе концепций математики, архитектуры, мини-пакета, импульса, исследования пространства гиперпараметров,…
- Он преподает важные части и очень хорошо разбирается в выводах из первых принципов; «с достаточной математикой», как сказал бы Пако.
- Например, все его объяснения включают обсуждение размеров вектора ... очень интуитивно понятно
Общий взгляд на специализацию
1- Нейронные сети и глубокое обучение
Это был вводный курс к тому, что такое машинное обучение, а также к типу обучения, он также предоставил некоторые основные алгоритмы машинного обучения, такие как линейная регрессия с одной или несколькими переменными, логистическая регрессия и фундаментальные математические концепции, которые обязательно будут частью Из предстоящих курсов этот курс также смог дать общее представление о нейронных сетях и глубоком обучении, а также о строительных блоках алгоритма глубокого обучения.
2-Улучшение глубоких нейронных сетей: настройка гиперпараметров, регуляризация и оптимизация
Он предоставит вам практическое машинное обучение и практические аспекты глубокого обучения. Настройка гиперпараметров, пакетная нормализация и фреймворки программирования, по сути, это настоящая отправная точка, с которой вы могли бы сказать: «О да, вот как дела обстоят».
3- Структурирование проектов машинного обучения
Вы можете сказать, что это курс, с которым я боролся больше всего, он дает вам представление о том, как делать проекты, и мой опыт работы с проектами не так высок, я участвовал в некоторых соревнованиях Kaggle, но они не были структурированы и Я не знал, как исследовать данные и как извлечь из них максимальную пользу.
Я делаю заметки во время просмотра видеолекций, поэтому, когда приходит время викторин, мне довольно легко отвечать на вопросы викторины.
4-сверточные нейронные сети
Как построить сверточные нейронные сети и применить их к данным изображений, мои глаза буквально вылезли наружу, я делаю магистра по медицинской информатике и хочу специализироваться на глубоком обучении применительно к медицине, поэтому изучение CNN является для меня важным делом. взял курс с таким большим вниманием, и здесь, когда появилась идея применить то, что я узнал для медицинской визуализации, я начал проект «Классификация рака груди». Да, как вы догадались, я все испортил, поэтому я возвращаюсь в Интернет, чтобы сделать свой проект больше похоже на проект, вы найдете его в моем репозитории Github.
Пятипоследовательные модели
Я был так взволнован тем, что получил специализацию по глубокому обучению, что этот последний курс был беспорядочным :) Я в основном не слышал, что говорил мистер Эндрю, мне очень жаль, но обработка естественного языка Я вернусь к вам так скоро, подождите для меня.
заключение
Я думаю, что мне повезло, что я смог научиться глубокому обучению, опираясь на настоящую живую легенду о нем. Спасибо, Coursera, за предоставленную нам возможность учиться свободно, я очень ценю это.
Мне повезло, что я открыл для себя специализацию в самом начале, и это дало мне верный путь к завершению моего пути к машинному обучению.
Это мое личное исследование, если у вас есть какие-либо комментарии, пожалуйста, свяжитесь со мной.
