Следуя совету Эндрю Траска, я начинаю новый блог, полностью связанный с глубоким обучением. Этот блог предназначен как для новичков, которые ничего не знают о глубоком обучении, так и для тех, кто хочет глубоко изучить глубокое обучение.
Итак, что такое глубокое обучение?
Это ветвь машинного обучения, в которой мы используем нейронные сети, чтобы понимать наши данные и делать прогнозы на будущее или создавать из них кластеры.
Но что такое нейронная сеть?
Нейронная сеть - это сеть узлов, с помощью которых мы пытаемся имитировать работу человеческого мозга и передавать те же знания компьютерам. Таким образом, мы в основном заставляем компьютеры думать, как люди.
Базовая терминология в нейронных сетях и глубоком обучении
- Слои: набор узлов, которые полезны либо для ввода данных, либо для обработки данных, либо для вывода данных.
- Входной уровень: набор узлов, через которые данные поступают в нейронную сеть. Может быть только один входной слой.
- Скрытый слой: набор узлов, которые обрабатывают данные, полученные через входной слой, с использованием некоторых математических функций и формул и упрощают их. Это помогает идентифицировать скрытые особенности, присутствующие в наших данных.
- Выходной уровень: набор узлов или один узел для получения выходных данных из нейронной сети.
- Функции активации: это некоторые математические функции, используемые скрытым слоем для обработки или упрощения наших данных.
- Параметры: обычно нейронные сети пытаются найти связь между данными, пытаясь найти оптимальное значение определенных переменных. Эти переменные называются параметрами. Они меняются в процессе обучения нейронной сети.
- Гиперпараметры: это постоянные значения, используемые для определения оптимального значения параметров.
- Персептрон: нейронная сеть с единственным скрытым слоем. Обратите внимание, что многослойный перцептрон называется нейронной сетью.
Но где используются нейронные сети?
Нейронные сети сейчас используются почти повсюду в мире. Для Ex,
- Самостоятельное вождение автомобилей
- Системы, рекомендующие продукты [Amazon], фильмы и шоу [Netflix], музыку [Spotify] на основе предпочтений пользователя.
- Поколение искусства
- Чат-боты
- Робототехника
- Прогнозный анализ
- Сегментация клиентов
- Безопасность
- Здравоохранение
Но я новичок в этой области. Я не знаю, где можно изучить Deep Learning?
- Лучший способ начать изучать Deep Learning - это пройти специализацию Andrew NG на Coursera, которая называется Deep Learning Specialization.
- Для получения дополнительных практических знаний на Udemy есть множество онлайн-курсов.
- Начните с теории и попробуйте реализовать сетевые архитектуры, используя некоторые библиотеки Python, такие как Numpy и Pandas.
- Изучите фреймворк глубокого обучения, такой как Tensorflow, PyTorch, Keras.
- Если вам нравится изучать материал по книгам, вы можете использовать книгу «Глубокое обучение» Яна Гудфеллоу, Йошуа Бенжио и Аарона К. Курвилля.
- Начните применять концепции, изученные из различных ресурсов, в своих личных проектах. Посетите такие сайты, как Kaggle.com, r / datasets [субреддит Reddit, связанный с данными] для получения наборов данных и идей.
- Выполняйте исследования самостоятельно. Это придаст вам уверенности.
- Вернись сообществу. Пишите статьи, делайте видеоуроки, загружайте датасеты на сайты. Помогите сообществу расти!
Вот и все! Я новичок в написании статей. Так что, если вы обнаружите какие-либо ошибки, не стесняйтесь обращаться ко мне. Кроме того, я буду рад любым предложениям. Следующая статья будет посвящена логистической регрессии и ее реализации Tensorflow. Быть в курсе.
