DeepLearning MuLi Notes
1.0.0
"Ручное обучение глубоко обучение" Мотивация проекта/ Введение курса/ Ресурсы курса/ Каталог учебников/ Примечания/ Папка Описание/ Организатор/ Администратор
Проект мотивация«Ручное обучение глубоко обучению»-это серия видеоучетных видеороликов, преподаваемых г-ном Ли Му (старший главный ученый в AWS, доктор философии, факультет компьютерных наук, Университет Карнеги-Меллона, США). Этот проект собирает подробные заметки на маркировке и связанные с ними коды Юпитера во время нашего процесса обучения в области зимних каникул «Ручное обучение». Предоставить кому -то розу оставить аромат на ваших руках. Мы открываем исходные костюмы всех заметок. Мы надеемся, что, обучаясь сами, для каждого также будет полезно учиться и получить «Ручное обучение» учителя Ли Му.
Особенности этого проекта:
- Примечания Markdown соответствуют оригинальному курсу видео один за другим, что может помочь всем понять, прослушивая класс.
- Коды Юпитера имеют подробные китайские аннотации, чтобы помочь всем начать с практики быстрее.
Всего 73 видео с курсом , а средняя продолжительность одного видео составляет не более 30 минут . Ожидается, что исследование может быть завершено в течение 40 дней после зимних каникул .
Значок, используемый в этом проекте, поступает из Интернета. Если он нарушает ваше изображение авторским правом, пожалуйста, свяжитесь с нами, чтобы удалить его. Спасибо.
Введение курсаОбычно, когда мы упоминаем глубокое обучение, мы часто забываем, что глубокое обучение - это лишь небольшая часть машинного обучения, и думаем, что это отдельный модуль, независимый от машинного обучения. Это связано с тем, что машинное обучение, как дисциплина с более длинной историей, имела узкий диапазон приложений в реальном мире до того, как было выпущено глубокое обучение. В областях распознавания речи, компьютерного зрения, обработки естественного языка и т. Д. Машинное обучение часто является лишь небольшой частью решений для решения этих доменных задач из -за большого количества требуемых доменных знаний, и реальность чрезвычайно сложна. Но в последние несколько лет появление и применение глубокого обучения принесли сюрпризы в мир, способствуя быстрому развитию компьютерного зрения, обработки естественного языка, автоматического распознавания речи, подкрепления и статистического моделирования и постепенно лидирующего тенденции, создавая волну революции искусственного интеллекта в мире.
В курсе «Ручное глубокое обучение» существует не только небольшое количество базовых знаний о машинном обучении, таких как линейные нейронные сети, многослойные машины восприятия и т. Д.; Существуют также различные модели глубокого обучения, которые в настоящее время используются в передовых приложениях: включая Lenet, Resnet, LSTM, Bert ... В то же время, объяснение каждой главы также оснащено кодом, учебниками и т. Д., Внедренные с помощью Pytorch, что может помочь учащимся освоить основные модели и передовые знания о глубоком обучении в течение короткого периода времени и улучшения их практической способности.
Курс ресурсовКроме того, этот курс имеет соответствующие реализации кода. Каждая глава имеет соответствующий блокнот Юпитера, предоставляющий полный код модели Python , и все ресурсы могут быть получены бесплатно онлайн.
Каталог учебников«Ручное глубокое обучение» (китайская версия) и английская версия погружается в глубокое обучение 0.17.1 КАТАЛОГ ДОКУМЕНТАЦИИ И Ссылки главы следующие:
| глава | Китайская версия | Английская версия |
|---|---|---|
| 1 | Предисловие | Введение |
| 2 | Подготовка знаний | Предварительные |
| 3 | Линейная нейронная сеть | Линейные нейронные сети |
| 4 | Многослойная сенсорная машина | Многослойные персептроны |
| 5 | Глубокие учебные вычисления | Глубокое обучение вычисления |
| 6 | Сверточная нейронная сеть | Сверточные нейронные сети |
| 7 | Современные сверточные нейронные сети | Современные сверточные нейронные сети |
| 8 | Повторяющаяся нейронная сеть | Повторяющиеся нейронные сети |
| 9 | Современная повторяющаяся нейронная сеть | Современные повторяющиеся нейронные сети |
| 10 | Механизм внимания | Механизмы внимания |
| 11 | Алгоритм оптимизации | Алгоритмы оптимизации |
| 12 | Вычислительная производительность | Вычислительная производительность |
| 13 | Компьютерное зрение | Компьютерное зрение |
| 14 | Обработка естественного языка: предварительное обучение | Обработка естественного языка: предварительная подготовка |
| 15 | Обработка естественного языка: применение | Приложения для обработки естественного языка |
| 16 | Рекомендуемая система | Рекомендованные системы |
| 17 | Генерировать состязательные сети | Генеративные состязательные сети |
| 18 | Приложение: Основы математики в глубоком обучении | Приложение: математика для глубокого обучения |
| 19 | Приложение: инструменты глубокого обучения | Приложение: Инструменты для глубокого обучения |
примечания| видео | примечания | Раздаточный материал | Код | Участники |
|---|---|---|---|---|
 | 00-Preview | Раздаточный материал |  | |
 | 01 график | Раздаточный материал | | |
 | 02 Введение в глубокое обучение | Раздаточный материал |  | |
 | 03-включение | Раздаточный материал |   | |
 | 04 Data Работа и предварительная обработка данных | Раздаточный материал | Код Юпитера |   |
 | 05-линейная алгебра | Раздаточный материал |   | |
 | 06-матричный расчет | Раздаточный материал |  | |
 | 07-Chengdu Правила и автоматическое происхождение | Раздаточный материал | Код Юпитера |   |
 | 08-линейная регрессия + алгоритм базовой оптимизации | Примечания лекции 1 2 | Код Юпитера | |
 | 09-softmax регрессия | Примечания лекции 1 2 | Код Юпитера | |
 | Ощущение 10-мульти-слоев | Примечания лекции 1 2 | Код Юпитера | |
 | 11-модерный выбор + переосмысление и подключение | Примечания лекции 1 2 | | |
 | 12-вес рецессии | Раздаточный материал | Код Юпитера | |
 | Метод 13-дискарда | Раздаточный материал | Код Юпитера | |
 | 14 НЕМЕРИЧЕСКАЯ СТАБИЦИЯ | Примечания лекции 1 2 | | |
 | 15-практический прогноз цен на жилье | Раздаточный материал | Код Юпитера | |
 | Основы нейронной сети 16-питорха | Раздаточный материал | Код Юпитера | |
 | 17-й использовать и купить графические процессоры | Раздаточный материал | Код Юпитера | |
 | 18-летняя конкурса цен на цену в доме прогнозирования | Раздаточный материал | | |
 | 19-конволюционный слой | Примечания лекции 1 2 | Код Юпитера | |
 | 20-й заполнение и шаг | Раздаточный материал | Код Юпитера | |
 | 21-мульти-входные и выходные каналы | Раздаточный материал | Код Юпитера | |
 | 22-х слой | Раздаточный материал | Код Юпитера | |
 | 23-Lenet | Раздаточный материал | Код Юпитера | |
 | 24-alexnet | Раздаточный материал | Код Юпитера | |
 | VGG с 25 сети с использованием блоков | Раздаточный материал | Код Юпитера | |
 | 26-nin | Раздаточный материал | Код Юпитера | |
 | 27-Googlenet | Раздаточный материал | Код Юпитера | |
 | Нормализация 28 партий | Раздаточный материал | Код Юпитера | |
 | 29-резидуальная сеть Resnet | Раздаточный материал | | |
 | 30-часовой 2 завершит соревнование | Раздаточный материал | | |
 | 31-CPU и GPU | Раздаточный материал | | |
 | 32-глупые обучающие оборудование | Раздаточный материал | | |
 | Параллельно с мощностью 33 штук. | Раздаточный материал | | |
 | 34-мульти-GPU Реализация обучения | Раздаточный материал | Код Юпитера |  |
 | 35 распределенного обучения | Раздаточный материал | | |
 | 36-данных увеличение | Раздаточный материал | Код Юпитера | |
 | 37-летняя корректировка | Раздаточный материал | Код Юпитера | |
 | 38-Результаты второй классификации листьев конкуренции | Раздаточный материал | | |
 | 39-практический Kaggle Competition-1 | Раздаточный материал | | |
 | 40-практический конкурс Kaggle-2 | Раздаточный материал | Код Юпитера | |
 | Наборы и наборы данных 41-объекта | Раздаточный материал | | |
 | [42-Anchor Frame] | Раздаточный материал | | |
 | 43 Техническая сводка конкурса классификации листьев | Раздаточный материал | | |
 | Алгоритм обнаружения 44-объекта | Примечания лекции 123 | | |
 | 45-SSD реализация | Раздаточный материал | Код Юпитера | |
 | 46-сегментация и наборы данных | Раздаточный материал | Код Юпитера | |
 | 47-переносная свертка | Примечания лекции 1 2 | | |
 | 48-FCN | Раздаточный материал | Код Юпитера | |
 | Миграция в стиле 49 | Раздаточный материал | Код Юпитера | |
 | Соревнование по 50 блюд | Раздаточный материал | | |
 | Модель 51-й последовательности | Раздаточный материал | | |
 | 52-текстовая предварительная обработка | Раздаточный материал | Код Юпитера | |
 | 53-языковая модель | Раздаточный материал | | |
 | 54-рекурсная нейронная сеть | Раздаточный материал | | |
 | Реализация 55-RNN | Раздаточный материал | Код Юпитера | |
 | 56-gru | Раздаточный материал | Код Юпитера | |
 | 57-lstm | Раздаточный материал | | |
 | 58-глубинная повторяющаяся нейронная сеть | Раздаточный материал | Код Юпитера | |
 | [59-бидейская рецидивирующая нейронная сеть] | Раздаточный материал | | |
 | Набор данных по переводу 60 машин | Раздаточный материал | Код Юпитера | |
 | Архитектура 61-ecoder-decoder | Раздаточный материал | | |
 | 62-последовательность к последовательности обучения | Раздаточный материал | Код Юпитера | |
 | 63-кубок поиск | Раздаточный материал | | |
 | 64- Механизм внимания | Раздаточный материал | Код Юпитера | |
 | 65- Оценка внимания | Раздаточный материал | | |
 | [66-seq с использованием внимания] | Раздаточный материал | | |
 | 67-al-Attination | Раздаточный материал | Код Юпитера | |
 | 68-трансформатор | Раздаточный материал | Код Юпитера | |
 | 69-берт до тренировки | Раздаточный материал | | |
 | 70-берт тонкая регулировка | Раздаточный материал | | |
 | [71-Summary of the Target Degence Contege] | Раздаточный материал | | |
 | 72-оптимизация алгоритма | Раздаточный материал | | |
 | Сводка 73 и продвинутого обучения | Раздаточный материал | |
Описание папки
организаторСпасибо следующим студентам за организацию этого проекта
УчастникиСпасибо следующим студентам за поддержку и вклад в этот проект
