DeepLearning MuLi Notes Téléchargement - DeepLearning MuLi Notes Code source Téléchargement

DeepLearning MuLi Notes

Python

1.0.0

Télécharger

"Apprentissage à la main sur l'apprentissage en profondeur"

Projet Motivation / Cours Introduction / Ressources de cours / Catalogue du manuel / Notes / Dossier Description / Organisateur / Contributeur

Motivation du projet

"Hand-on Learning Deep Learning" est une série de vidéos d'apprentissage en profondeur enseignées par M. Li Mu (un scientifique en chef principal chez AWS, Ph.D., Département d'informatique, Carnegie Mellon University, USA). Ce projet recueille des notes détaillées et des codes de jupyter connexes lors de notre processus d'apprentissage des vacances d'hiver "apprentissage de la main en profondeur". Donner à quelqu'un une rose quittera un parfum sur vos mains. Nous opensons toutes les notes de marque . Nous espérons que, tout en apprenant par nous-mêmes, il sera également utile pour tout le monde d'apprendre et de maîtriser "l'apprentissage à la main sur l'apprentissage du Deep Leear apprentissage".

Caractéristiques de ce projet:
Les notes de Markdown correspondent à la vidéo de cours originale une par une, ce qui peut aider tout le monde à comprendre tout en écoutant la classe.
Les codes de Jupyter ont détaillé des annotations chinoises pour aider tout le monde à se lancer plus rapidement.

Il y a 73 vidéos de cours au total , et la durée moyenne d'une seule vidéo ne dépasse pas 30 minutes . Il est prévu que l'étude puisse être terminée dans les 40 jours suivant les vacances d'hiver .

Le badge utilisé dans ce projet provient d'Internet. S'il porte atteinte à votre image de copyright, veuillez nous contacter pour le supprimer. Merci.

Introduction du cours

Habituellement, lorsque nous mentionnons l'apprentissage en profondeur, nous oublions souvent que l'apprentissage en profondeur n'est qu'une petite partie de l'apprentissage automatique, et pensons qu'il s'agit d'un module distinct indépendant de l'apprentissage automatique. En effet, l'apprentissage automatique, en tant que discipline avec une histoire plus longue, avait un éventail étroit d'applications dans le monde réel avant la publication de l'apprentissage en profondeur. Dans les domaines de la reconnaissance vocale, de la vision par ordinateur, du traitement du langage naturel, etc., l'apprentissage automatique n'est souvent qu'une petite partie des solutions pour résoudre ces problèmes de domaine en raison de la grande quantité de connaissances du domaine requises et la réalité est extrêmement complexe. Mais au cours des dernières années, l'avènement et l'application de l'apprentissage en profondeur ont apporté des surprises au monde, favorisant le développement rapide de la vision informatique, le traitement du langage naturel, la reconnaissance automatique de la parole, l'apprentissage du renforcement et la modélisation statistique, et menant progressivement la tendance, déclenchant une vague de révolution de l'intelligence artificielle dans le monde.

Dans le cours "Apprentissage en profondeur" , il n'y a pas seulement une petite quantité de connaissances de base de l'apprentissage automatique, telles que les réseaux de neurones linéaires, les machines de perception multicouches , etc.; Il existe également divers modèles d'apprentissage en profondeur qui sont actuellement utilisés dans les applications de pointe: y compris LENET, RESNET, LSTM, Bert ... en même temps, l'explication de chaque chapitre est également équipée de code, de manuels, etc. Implémentée par Pytorch, qui peut aider les étudiants à maîtriser les modèles de base et les connaissances de pointe de l'apprentissage en profondeur dans un court laps de temps et d'améliorer leur capacité pratique.

Ressources de cours

Bilibili Teaching Site Web: PRAINS ONPARNED Deep Learning (terminé)
URL des manuels: "Hand-on Deep Learning" (version chinoise), "plongée dans l'apprentissage en profondeur" 0.17.1 Documentation
Page d'accueil du cours: https://courses.d2l.ai/zh-v2/
URL du forum: discuter.d2l.ai, discuter.pytorch

De plus, ce cours a des implémentations de code correspondantes. Chaque chapitre a un bloc-notes de jupyter correspondant, fournissant le code Python complet du modèle , et toutes les ressources peuvent être obtenues gratuitement en ligne.

Catalogue de manuels

"Hand-on Deep Learning" (version chinoise) et la version anglaise plongeant dans Deep Learning 0.17.1 Catalogue de manuels de documentation et les liens de chapitre sont les suivants:

chapitre	Version chinoise	Version anglaise
1	Préface	Introduction
2	Connaissances de préparation	Préliminaires
3	Réseau neuronal linéaire	Réseaux de neurones linéaires
4	Machine de détection multicouche	Perceptrons multicouches
5	Enseignement en profondeur	Calcul d'apprentissage en profondeur
6	Réseau neuronal convolutionnel	Réseaux de neurones convolutionnels
7	Réseaux de neurones convolutionnels modernes	Réseaux de neurones convolutionnels modernes
8	Réseau neuronal récurrent	Réseaux de neurones récurrents
9	Réseau de neurones récurrents moderne	Réseaux de neurones récurrents modernes
10	Mécanisme d'attention	Mécanismes d'attention
11	Algorithme d'optimisation	Algorithmes d'optimisation
12	Performance informatique	Performance informatique
13	Vision par ordinateur	Vision par ordinateur
14	Traitement du langage naturel: pré-formation	Traitement du langage naturel: pré-formation
15	Traitement du langage naturel: application	Applications de traitement du langage naturel
16	Système recommandé	Systèmes de recommandation
17	Générer des réseaux contradictoires	Réseaux adversaires génératifs
18	Annexe: les bases des mathématiques en Deep Learning	Annexe: Mathématiques pour l'apprentissage en profondeur
19	Annexe: outils d'apprentissage en profondeur	Annexe: outils pour l'apprentissage en profondeur

notes

notes	Polycopié	Code
00-preview	Polycopié
Calendrier 01	Polycopié
02 introduction à l'apprentissage en profondeur	Polycopié
03-INSTALLATION	Polycopié
Fonctionnement des données 04 et prétraitement des données	Polycopié	Code de jupyter
05 algèbre linéaire	Polycopié
Calcul 06-matrice	Polycopié
Règles 07-Chengdu et dérivation automatique	Polycopié	Code de jupyter
08 Régression linéaire + algorithme d'optimisation de base	Notes de conférence 1 2	Code de jupyter
09 régression-softmax	Notes de conférence 1 2	Code de jupyter
Machine de détection de 10 multi-couches	Notes de conférence 1 2	Code de jupyter
Sélection à 11 modèles + sur-ajustement et sous-ajustement	Notes de conférence 1 2
12 poids récession	Polycopié	Code de jupyter
Méthode de 13 dédis	Polycopié	Code de jupyter
Stabilité 14 numérique	Notes de conférence 1 2
Prédiction de kaggle 15 pratiques des prix des maisons	Polycopié	Code de jupyter
Basiques du réseau neuronal 16-Pytorch	Polycopié	Code de jupyter
17 Utiliser et acheter des GPU	Polycopié	Code de jupyter
18-SumMary de la concurrence des prix des maisons de prédiction	Polycopié
Couche 19-Convolutionnelle	Notes de conférence 1 2	Code de jupyter
20 plafonds et foulée	Polycopié	Code de jupyter
21 canaux de sortie et de sortie	Polycopié	Code de jupyter
Couche de 22 points	Polycopié	Code de jupyter
23-lenet	Polycopié	Code de jupyter
24-alexnet	Polycopié	Code de jupyter
25 réseaux VGG à l'aide de blocs	Polycopié	Code de jupyter
26-nin	Polycopié	Code de jupyter
27 googlenet	Polycopié	Code de jupyter
Normalisation de 28 lots	Polycopié	Code de jupyter
Resnet réseau 29-résiduel	Polycopié
30 parties 2 terminez la compétition	Polycopié
31 CPU et GPU	Polycopié
Matériel d'apprentissage à 32 profondeurs	Polycopié
33 cartes multiples-machine en parallèle	Polycopié
34 Multi-GPU Formation Implémentation	Polycopié	Code de jupyter
Formation à 35 distribution	Polycopié
Augmentation de 36 données	Polycopié	Code de jupyter
Réglage de 37 fins	Polycopié	Code de jupyter
38 - Les résultats de la deuxième classification des feuilles de compétition	Polycopié
39 concours de Kaggle-1-Practical-1	Polycopié
Compétition Kaggle à 40 pratiques-2	Polycopié	Code de jupyter
Ensembles de détection et de données de 41 objets	Polycopié
[Cadre 42-Anchor]	Polycopié
Résumé 43 technique du concours de classification des feuilles	Polycopié
Algorithme de détection de 44 objets	Notes de cours 123
Implémentation 45-SSD	Polycopié	Code de jupyter
Segmentation et ensembles de données 46-sémantiques	Polycopié	Code de jupyter
Convolution 47 transfert	Notes de conférence 1 2
48-FCN	Polycopié	Code de jupyter
Migration de style 49	Polycopié	Code de jupyter
Concours de 50 plats	Polycopié
Modèle de 51 séquences	Polycopié
Prétraitement de 52 texte	Polycopié	Code de jupyter
Modèle de langue 53	Polycopié
Réseau neuronal 54	Polycopié
Implémentation de 55-RNN	Polycopié	Code de jupyter
56-gru	Polycopié	Code de jupyter
57 lstm	Polycopié
Réseau de neurones récurrents de 58 profondeurs	Polycopié	Code de jupyter
[59 réseau neuronal récurrent bidirectionnel]	Polycopié
Ensemble de données de traduction de 60 machines	Polycopié	Code de jupyter
Architecture de décodeur 61	Polycopié
Apprentissage de 62 séquence à la séquence	Polycopié	Code de jupyter
Recherche de 63 bouchons	Polycopié
64 - Mécanisme d'attention	Polycopié	Code de jupyter
Score d'attention 65	Polycopié
[66-seq en utilisant l'attention]	Polycopié
67 auto-attention	Polycopié	Code de jupyter
68 transformateur	Polycopié	Code de jupyter
Pré-formation 69-BERT	Polycopié
Ajustement fin 70-BERT	Polycopié
[71-Summary du concours de détection cible]	Polycopié
Algorithme d'optimisation 72	Polycopié
Résumé de 73 plats et apprentissage avancé	Polycopié