DeepLearning MuLi Notes Download - DeepLearning MuLi Notes Código Fonte Download

DeepLearning MuLi Notes

Pitão

1.0.0

Baixar

"Aprendizando de aprendizado profundo"

Motivação do projeto/ Introdução ao curso/ Recursos/ Catálogo de livros didáticos/ Notas/ Pasta Descrição/ Organizador/ Colaborador

Motivação do projeto

"Aprendizagem de aprendizagem prática Deep Learning" é uma série de vídeos de aprendizado profundo ensinados pelo Sr. Li Mu (cientista-chefe sênior da AWS, Ph.D., Departamento de Ciência da Computação, Universidade Carnegie Mellon, EUA). Este projeto coleta notas detalhadas de marcação e códigos de jupyter relacionados durante o processo de "aprendizado de aprendizado profundo" de férias de inverno. Dar a alguém uma rosa deixará uma fragrância em suas mãos. Nós abrimos todas as notas de remarcação . Esperamos que, enquanto aprendemos sozinhos, também seja útil para que todos aprendam e mestre "aprendizado de aprendizado profundo" do professor Li Mu.

Recursos deste projeto:
As notas de Markdown correspondem ao vídeo do curso original um por um, que pode ajudar todos a entender enquanto ouvem a classe.
Os códigos Jupyter têm anotações chinesas detalhadas para ajudar todos a começar com o treino mais rapidamente.

Existem 73 vídeos do curso no total , e a duração média de um único vídeo não é superior a 30 minutos . Espera -se que o estudo possa ser concluído dentro de 40 dias após as férias de inverno .

O crachá usado neste projeto vem da Internet. Se violar a sua imagem por direitos autorais, entre em contato conosco para excluí -la. Obrigado.

Introdução do curso

Geralmente, quando mencionamos o aprendizado profundo, muitas vezes esquecemos que o aprendizado profundo é apenas uma pequena parte do aprendizado de máquina e achamos que é um módulo separado independente do aprendizado de máquina. Isso ocorre porque o aprendizado de máquina, como disciplina com uma história mais longa, teve uma gama estreita de aplicações no mundo real antes que o aprendizado profundo fosse lançado. Nos campos de reconhecimento de fala, visão computacional, processamento de linguagem natural etc., o aprendizado de máquina geralmente é apenas uma pequena parte das soluções para resolver esses problemas de domínio devido à grande quantidade de conhecimento de domínio necessária e a realidade é extremamente complexa. Mas, nos últimos anos, o advento e a aplicação do aprendizado profundo trouxeram surpresas ao mundo, promovendo o rápido desenvolvimento da visão computacional, processamento de linguagem natural, reconhecimento automático de fala, aprendizado de reforço e modelagem estatística e gradualmente liderando a tendência, desencadeando uma onda de revolução da inteligência artificial no mundo.

No curso "aprendizado profundo" , não há apenas uma pequena quantidade de conhecimento básico do aprendizado de máquina, como redes neurais lineares, máquinas de percepção de várias camadas , etc.; Atualmente, existem vários modelos de aprendizado profundo que são usados atualmente em aplicativos de ponta: incluindo LENET, RESNET, LSTM, BERT ... Ao mesmo tempo, a explicação de cada capítulo também é equipada com código, livros didáticos etc. implementados por pytorch, que podem ajudar os alunos a dominar os modelos básicos e o conhecimento de corte de ponta de profundo aprendizado em um curto período de tempo e melhorar a habilidade prática.

Recursos do curso

Site de ensino de Bilibili: Aprendizagem prática Deep Learning (concluído)
URL do livro didático: "Hand-on Deep Learning" (versão chinesa), "Mergulhe em aprendizado profundo" 0.17.1 Documentação
Página inicial do curso: https://courses.d2l.ai/zh-v2/
URL do fórum: discuta.d2l.ai, discuta.pytorch

Além disso, este curso possui implementações de código correspondentes. Cada capítulo possui um Jupyter Bloco de Jupad correspondente, fornecendo o código Python completo do modelo , e todos os recursos podem ser obtidos gratuitamente on -line.

Catálogo de livros didáticos

"Hand-on Deep Learning" (versão chinesa) e versão em inglês mergulham em aprendizado profundo 0.17.1 Catálogo de livros didáticos de documentação e os links de capítulo são os seguintes:

capítulo	Versão chinesa	Versão em inglês
1	Prefácio	Introdução
2	Conhecimento de preparação	Preliminares
3	Rede neural linear	Redes neurais lineares
4	Máquina de detecção de várias camadas	Perceptrons multicamadas
5	Computação de aprendizado profundo	Computação de aprendizado profundo
6	Rede neural convolucional	Redes neurais convolucionais
7	Redes neurais convolucionais modernas	Redes neurais convolucionais modernas
8	Rede neural recorrente	Redes neurais recorrentes
9	Rede neural recorrente moderna	Redes neurais recorrentes modernas
10	Mecanismo de atenção	Mecanismos de atenção
11	Algoritmo de otimização	Algoritmos de otimização
12	Desempenho computacional	Desempenho computacional
13	Visão computacional	Visão computacional
14	Processamento de linguagem natural: pré-treinamento	Processamento de linguagem natural: pré -treinamento
15	Processamento de linguagem natural: aplicação	Aplicativos de processamento de linguagem natural
16	Sistema recomendado	Sistemas de recomendação
17	Gerar redes adversárias	Redes adversárias generativas
18	Apêndice: o básico da matemática em aprendizado profundo	Apêndice: Matemática para aprendizado profundo
19	Apêndice: Ferramentas de aprendizado profundo	Apêndice: Ferramentas para aprendizado profundo

Notas

Notas	Folheto	Código
00 prevalência	Folheto
Cronograma de 01 curso	Folheto
02 Introdução ao aprendizado profundo	Folheto
03-Instalação	Folheto
04 Operação de dados e pré-processamento de dados	Folheto	Código Jupyter
05 Álgebra linear	Folheto
Cálculo da matriz 06	Folheto
07 Regras de Chengdu e derivação automática	Folheto	Código Jupyter
08 Regressão linear + algoritmo de otimização básica	Notas de aula 1 2	Código Jupyter
09 Softmax Regression	Notas de aula 1 2	Código Jupyter
Máquina de detecção da camada de 10 multi	Notas de aula 1 2	Código Jupyter
Seleção de 11 modelos + ajuste excessivo e subjacência	Notas de aula 1 2
Recessão de 12 pesos	Folheto	Código Jupyter
Método 13-Discardo	Folheto	Código Jupyter
Estabilidade de 14 números	Notas de aula 1 2
15 pratica	Folheto	Código Jupyter
Rede neural de 16 pytorch básicos	Folheto	Código Jupyter
17-uso e compra de GPUs	Folheto	Código Jupyter
18-verão da concorrência de preços de previsão	Folheto
Camada de 19 Convolucionário	Notas de aula 1 2	Código Jupyter
20 e preenchimento e passo	Folheto	Código Jupyter
Canais de entrada e saída de 21 multi	Folheto	Código Jupyter
Camada de 22 poolas	Folheto	Código Jupyter
23-LENET	Folheto	Código Jupyter
24-Alexnet	Folheto	Código Jupyter
VGG de 25 redes usando blocos	Folheto	Código Jupyter
26-NIN	Folheto	Código Jupyter
27-Googlenet	Folheto	Código Jupyter
Normalização de 28 lote	Folheto	Código Jupyter
Resnet de rede 29 residual	Folheto
30 partes 2 terminar a competição	Folheto
31-CPU e GPU	Folheto
32 hardware de aprendizado profundo	Folheto
33 cartões múltiplos de máquinas em paralelo	Folheto
Implementação de treinamento de 34 multi-GPU	Folheto	Código Jupyter
35 treinamento distribuído	Folheto
Aumento de 36 dados	Folheto	Código Jupyter
37 Ajuste-fino	Folheto	Código Jupyter
38-Os resultados da segunda classificação de folhas de competição	Folheto
39-prático Kaggle Competition-1	Folheto
40 praticais Kaggle Competition-2	Folheto	Código Jupyter
41 conjuntos de detecção e dados de objeto	Folheto
[Quadro de 42 âncoros]	Folheto
43 Resumo técnico da competição de classificação de folhas	Folheto
Algoritmo de detecção de 44 objeto	Notas de aula 123
Implementação de 45-SSD	Folheto	Código Jupyter
46 segmentação e conjuntos de dados semânticos	Folheto	Código Jupyter
47 transferência de transferência	Notas de aula 1 2
48-FCN	Folheto	Código Jupyter
Migração de 49 estilo	Folheto	Código Jupyter
Competição de 50 pratos	Folheto
Modelo de 51 sequência	Folheto
52-texto pré-processamento	Folheto	Código Jupyter
Modelo de 53 idiomas	Folheto
Rede neural de 54 recorrentes	Folheto
Implementação de 55-RNN	Folheto	Código Jupyter
56-GRU	Folheto	Código Jupyter
57-LSTM	Folheto
Rede neural recorrente de 58 profundos	Folheto	Código Jupyter
[Rede Neural Recorrente 59-Bidirecional]	Folheto
Conjunto de dados de tradução de 60 máquinas	Folheto	Código Jupyter
Arquitetura de tomador de 61 codificadores	Folheto
Aprendizagem de 62 seqüências de sequência	Folheto	Código Jupyter
Pesquisa de 63 bunch	Folheto
64- Mecanismo de atenção	Folheto	Código Jupyter
65- Pontuação de atenção	Folheto
[66-seq usando atenção]	Folheto
67-Seld-Atenction	Folheto	Código Jupyter
68-Transformer	Folheto	Código Jupyter
69-Bert pré-treinamento	Folheto
Ajuste fino de 70-Bert	Folheto
[71-Summary da competição de detecção de alvo]	Folheto
Algoritmo de otimização de 72	Folheto
Resumo de 73 pratos e aprendizado avançado	Folheto