DeepLearning MuLi Notes
1.0.0
"Pembelajaran Hand-on Deep Learning" Motivasi Proyek/ Kursus Pendahuluan/ Sumber Daya Kursus/ Katalog Buku Teks/ Catatan/ Deskripsi Folder/ Penyelenggara/ Kontributor
Motivasi proyek"Hand-on Learning Deep Learning" adalah serangkaian video pembelajaran mendalam yang diajarkan oleh Mr. Li Mu (seorang ilmuwan senior di AWS, Ph.D., Departemen Ilmu Komputer, Universitas Carnegie Mellon, AS). Proyek ini mengumpulkan catatan penurunan harga terperinci dan kode Jupyter terkait selama proses pembelajaran liburan musim dingin kami "pembelajaran pembelajaran dalam". Memberi seseorang mawar akan meninggalkan wewangian di tangan Anda. Kami membuka semua catatan Markdown . Kami berharap bahwa saat belajar sendiri, juga akan membantu semua orang untuk belajar dan menguasai "pembelajaran pembelajaran yang mendalam" guru Li Mu.
Fitur proyek ini:
- Catatan Markdown sesuai dengan video kursus asli satu per satu, yang dapat membantu semua orang memahami saat mendengarkan kelas.
- Kode Jupyter memiliki anotasi Tiongkok yang terperinci untuk membantu semua orang memulai latihan lebih cepat.
Total ada 73 video kursus , dan durasi rata -rata satu video tidak lebih dari 30 menit . Diharapkan bahwa penelitian ini dapat diselesaikan dalam waktu 40 hari liburan musim dingin .
Lencana yang digunakan dalam proyek ini berasal dari internet. Jika melanggar hak cipta gambar Anda, silakan hubungi kami untuk menghapusnya. Terima kasih.
Pendahuluan KursusBiasanya ketika kita menyebutkan pembelajaran yang mendalam, kita sering lupa bahwa pembelajaran yang mendalam hanyalah sebagian kecil dari pembelajaran mesin, dan berpikir itu adalah modul terpisah yang terlepas dari pembelajaran mesin. Ini karena pembelajaran mesin, sebagai disiplin dengan sejarah yang lebih panjang, memiliki berbagai aplikasi yang sempit di dunia nyata sebelum pembelajaran mendalam dirilis. Di bidang pengenalan suara, visi komputer, pemrosesan bahasa alami, dll., Pembelajaran mesin seringkali hanyalah sebagian kecil dari solusi untuk menyelesaikan masalah domain ini karena sejumlah besar pengetahuan domain yang diperlukan dan kenyataannya sangat kompleks. Tetapi dalam beberapa tahun terakhir, kedatangan dan penerapan pembelajaran mendalam telah membawa kejutan kepada dunia, mempromosikan perkembangan cepat visi komputer, pemrosesan bahasa alami, pengenalan suara otomatis, pembelajaran penguatan dan pemodelan statistik, dan secara bertahap memimpin tren, memicu gelombang revolusi kecerdasan buatan di dunia.
Dalam kursus "pembelajaran dalam-dalam" , tidak hanya ada sedikit pengetahuan dasar tentang pembelajaran mesin, seperti jaringan saraf linier, mesin persepsi multi-lapisan , dll.; Ada juga berbagai model pembelajaran mendalam yang saat ini digunakan dalam aplikasi mutakhir: termasuk Lenet, Resnet, LSTM, Bert ... pada saat yang sama, penjelasan dari setiap bab juga dilengkapi dengan kode, buku teks, dll. Diimplementasikan oleh PyTorch, yang dapat membantu siswa menguasai model dasar dan pengetahuan canggih tentang pembelajaran mendalam dalam waktu singkat dan meningkatkan kemampuan praktik mereka.
Sumber Daya KursusSelain itu, kursus ini memiliki implementasi kode yang sesuai. Setiap bab memiliki notepad Jupyter yang sesuai, memberikan kode python lengkap model , dan semua sumber daya dapat diperoleh secara online gratis.
Katalog Buku Teks"Hand-On Deep Learning" (Versi Cina) dan versi bahasa Inggris menyelam ke dalam pembelajaran mendalam 0.17.1 Katalog buku teks dokumentasi dan tautan bab adalah sebagai berikut:
| bab | Versi Cina | Versi bahasa Inggris |
|---|---|---|
| 1 | Kata pengantar | Perkenalan |
| 2 | Pengetahuan Persiapan | Persiapan |
| 3 | Jaringan saraf linier | Jaringan saraf linier |
| 4 | Mesin penginderaan multi-layer | Perceptrons multilayer |
| 5 | Komputasi pembelajaran mendalam | Komputasi pembelajaran yang mendalam |
| 6 | Jaringan saraf konvolusional | Jaringan saraf konvolusional |
| 7 | Jaringan saraf konvolusional modern | Jaringan saraf konvolusional modern |
| 8 | Jaringan saraf berulang | Jaringan saraf berulang |
| 9 | Jaringan saraf berulang modern | Jaringan saraf berulang modern |
| 10 | Mekanisme perhatian | Mekanisme perhatian |
| 11 | Algoritma optimasi | Algoritma optimasi |
| 12 | Kinerja komputasi | Kinerja komputasi |
| 13 | Visi komputer | Visi komputer |
| 14 | Pemrosesan Bahasa Alami: Pra-Pelatihan | Pemrosesan bahasa alami: pretraining |
| 15 | Pemrosesan Bahasa Alami: Aplikasi | Aplikasi pemrosesan bahasa alami |
| 16 | Sistem yang disarankan | Sistem Rekomendasi |
| 17 | Menghasilkan jaringan permusuhan | Jaringan permusuhan generatif |
| 18 | Lampiran: Dasar -dasar Matematika dalam Pembelajaran mendalam | Lampiran: Matematika untuk Pembelajaran yang mendalam |
| 19 | Lampiran: Alat Pembelajaran yang Dalam | Lampiran: Alat untuk Pembelajaran yang mendalam |
catatan| video | catatan | Handout | Kode | Kontributor |
|---|---|---|---|---|
 | 00-preview | Handout |  | |
 | Jadwal 01-kursus | Handout | | |
 | 02-introduksi untuk belajar yang mendalam | Handout |  | |
 | 03-instalasi | Handout |   | |
 | Operasi 04-Data dan preprocessing data | Handout | Kode Jupyter |   |
 | Aljabar 05-linear | Handout |   | |
 | Perhitungan 06-Matrix | Handout |  | |
 | Aturan 07-chengdu dan derivasi otomatis | Handout | Kode Jupyter |   |
 | 08-Linear Regression + Algoritma Optimasi Dasar | Catatan Kuliah 1 2 | Kode Jupyter | |
 | 09-Softmax Regresi | Catatan Kuliah 1 2 | Kode Jupyter | |
 | Mesin penginderaan 10-Multi-layer | Catatan Kuliah 1 2 | Kode Jupyter | |
 | Pemilihan 11-model + overfitting dan underfitting | Catatan Kuliah 1 2 | | |
 | Resesi 12-weight | Handout | Kode Jupyter | |
 | Metode 13-Diskarding | Handout | Kode Jupyter | |
 | Stabilitas 14 numerik | Catatan Kuliah 1 2 | | |
 | 15 Prediksi Kaggle Praktis Harga Rumah | Handout | Kode Jupyter | |
 | Dasar-dasar jaringan saraf 16-pytorch | Handout | Kode Jupyter | |
 | 17-Penggunaan dan Beli GPU | Handout | Kode Jupyter | |
 | Kompetisi Harga Rumah Prediksi 18 Prediksi | Handout | | |
 | Lapisan 19-konvolusional | Catatan Kuliah 1 2 | Kode Jupyter | |
 | 20-mengisi dan melangkah | Handout | Kode Jupyter | |
 | Saluran 21-Multi-Input dan Output | Handout | Kode Jupyter | |
 | Lapisan 22-pooling | Handout | Kode Jupyter | |
 | 23-lenet | Handout | Kode Jupyter | |
 | 24-Alexnet | Handout | Kode Jupyter | |
 | 25-jaringan VGG menggunakan blok | Handout | Kode Jupyter | |
 | 26-nin | Handout | Kode Jupyter | |
 | 27-Googlenet | Handout | Kode Jupyter | |
 | Normalisasi 28-batch | Handout | Kode Jupyter | |
 | Resnet jaringan 29-residual | Handout | | |
 | 30-bagian 2 menyelesaikan kompetisi | Handout | | |
 | 31-cpu dan GPU | Handout | | |
 | Perangkat keras belajar 32-dalam | Handout | | |
 | 33-single-mesin beberapa kartu secara paralel | Handout | | |
 | Implementasi pelatihan 34-Multi-GPU | Handout | Kode Jupyter |  |
 | Pelatihan 35-terdistribusi | Handout | | |
 | Augmentasi 36-data | Handout | Kode Jupyter | |
 | Penyesuaian 37-Fine | Handout | Kode Jupyter | |
 | 38-Hasil Klasifikasi Daun Kompetisi Kedua | Handout | | |
 | Kompetisi Kaggle 39-Praktis-1 | Handout | | |
 | Kompetisi Kaggle 40-Praktis-2 | Handout | Kode Jupyter | |
 | Deteksi dan set data 41-objek | Handout | | |
 | [Bingkai 42-jangkar] | Handout | | |
 | 43 ringkasan teknis kompetisi klasifikasi daun | Handout | | |
 | Algoritma Deteksi 44-objek | Catatan Kuliah 123 | | |
 | Implementasi 45-SSD | Handout | Kode Jupyter | |
 | Segmentasi dan set data 46-semantik | Handout | Kode Jupyter | |
 | Konvolusi 47-transfer | Catatan Kuliah 1 2 | | |
 | 48-fcn | Handout | Kode Jupyter | |
 | Migrasi gaya 49 | Handout | Kode Jupyter | |
 | Kompetisi 50-kursus | Handout | | |
 | Model 51-urutan | Handout | | |
 | Preprocessing 52-teks | Handout | Kode Jupyter | |
 | Model 53-bahasa | Handout | | |
 | 54 Jaringan Saraf Recurrent | Handout | | |
 | Implementasi 55-RNN | Handout | Kode Jupyter | |
 | 56-gru | Handout | Kode Jupyter | |
 | 57-lstm | Handout | | |
 | 58 jaringan saraf berulang 58-dalam | Handout | Kode Jupyter | |
 | [59 Jaringan Saraf Berulang Tinggi] | Handout | | |
 | Dataset Terjemahan 60-Machine | Handout | Kode Jupyter | |
 | Arsitektur 61-encoder-Decoder | Handout | | |
 | Pembelajaran 62-urutan-ke-urutan | Handout | Kode Jupyter | |
 | Pencarian 63-Bunch | Handout | | |
 | 64- Mekanisme perhatian | Handout | Kode Jupyter | |
 | 65- Skor perhatian | Handout | | |
 | [66-seq menggunakan perhatian] | Handout | | |
 | 67-self-perhatian | Handout | Kode Jupyter | |
 | 68-transformer | Handout | Kode Jupyter | |
 | Pra-pelatihan 69-Bert | Handout | | |
 | Penyesuaian halus 70-Bert | Handout | | |
 | [Ringkasan 71 dari Kompetisi Deteksi Target] | Handout | | |
 | Algoritma 72-optimisasi | Handout | | |
 | Ringkasan 73-kursus dan pembelajaran lanjutan | Handout | |
Deskripsi folder
penyelenggaraTerima kasih kepada siswa berikut untuk mengatur proyek ini
KontributorTerima kasih kepada siswa berikut atas dukungan dan kontribusi mereka untuk proyek ini
