Saya masih belum sepenuhnya memahami bagaimana hal itu terjadi, tetapi tahun lalu saya mendaftar untuk kursus Deep Learning kata demi kata dan, yang mengejutkan, saya membacanya. Dia berjanji - saya menyebarkannya!

Kursus ini tidak berpura-pura selesai, tetapi lebih merupakan cara untuk bermain-main dengan tangan Anda di bidang utama di mana pembelajaran mendalam telah ditetapkan sebagai alat praktis dan mendapatkan dasar yang cukup untuk secara bebas membaca dan memahami artikel modern.

Materi kursus diuji pada siswa dari Departemen AIPT Novosibirsk State University , sehingga ada kemungkinan Anda benar-benar dapat belajar sesuatu dari mereka.



Kursus ini membutuhkan:

- Pengetahuan matematika di tingkat tahun pertama atau kedua universitas: Anda perlu tahu sedikit teori probabilitas, aljabar linier, dasar-dasar matanalisis dan analisis fungsi banyak variabel. Jika semua ini berlalu begitu saja, berikut adalah semua kursus yang Anda butuhkan dari MIT dan Harvard. Di dalamnya, biasanya cukup untuk melewati dua bagian pertama.
- Kemampuan untuk memprogram dalam python.

Dalam kursus yang baik, kuliah, latihan, dan tempat di mana Anda dapat mengajukan pertanyaan dan berdiskusi harus tersedia. Di sini mereka dikumpulkan dari dunia dengan utas:

- Kuliah ada sebagai rekaman di Youtube .
- Sebagai latihan, Anda dapat menggunakan tugas-tugas kursus Stanford DeepLearning yang luar biasa ( CS231n dan CS224n ), saya akan menulis di bawah mana yang khusus.
- Anda dapat berdiskusi dan bertanya di ClosedCircles dan ODS.ai.

Kuliah dan latihan

Kuliah 1: Pendahuluan
Kuliah 2: Klasifikasi Linier
Kuliah 2.1: Softmax

Latihan: bagian k-Nearest Neighbor dan Softmax dari sini
Dengan spesifik tugas, catatan kuliah ini dapat membantu.

Kuliah 3: Jaringan saraf. Backpropagation
Kuliah 4: Jaringan Saraf Tiruan secara Detail

Latihan: bagian Jaringan Neural Dua Lapisan dari sini dan Jaringan Neural yang terhubung penuh dari sini

Kuliah 5: Jaringan Syaraf Tiruan Konvolusional (CNN)
Kuliah 6: Perpustakaan untuk Pembelajaran Jauh

Latihan: Jaringan Konvolusional dan PyTorch pada bagian CIFAR-10 dari sini

Kuliah 7: Tugas Visi Komputer Lainnya
Kuliah 8: Pengantar NLP. word2vec

Latihan: bagian word2vec dari sini

Kuliah 9: Jaringan Syaraf Tiruan Rekursif (RNN)
Kuliah 10: Terjemahan Mesin, Seq2Seq, Perhatian

Saya tidak menemukan tugas siap pakai yang bagus di sini, tetapi Anda dapat mengimplementasikannya di PyTorch Char-RNN dari pos Andrej Karpathy yang terkenal dan membuatnya menentang Shakespeare.

Kuliah 11: Pengantar Pembelajaran Penguatan (RL), Algoritma Dasar
Kuliah 12: Contoh penggunaan RL. Alpha (Go) Zero.
Kuliah 13: Jaringan saraf pada 2018.

Tempat mendiskusikan dan mengajukan pertanyaan

Semua pertanyaan pada kursus dapat ditanyakan kepada saya secara pribadi atau didiskusikan di lingkaran #data di ClosedCircles.com (di sini ada undangan ).
Selain itu, tugas dapat didiskusikan di saluran # class_cs231n di ODS.ai , di sana itu akan membantu. Untuk melakukan ini, Anda harus mendapatkan undangan di sana sendiri, mengirim aplikasi.

Nah, secara umum, panggilan-tulis, selalu senang.

Bagian yang paling menyenangkan adalah terima kasih!

Pertama-tama, banyak terima kasih kepada buri , dengan siapa kami menyiapkan kursus. Terima kasih kepada departemen asli , yang memberikan kesempatan seperti itu secara umum.

Semua orang di hangout di ODS.ai dan ClosedCircles yang membantu dalam persiapan menjawab pertanyaan, mengirim umpan balik, mengingatkan bahwa semuanya harus ditata, dll. Dll.

Akhirnya, semua orang yang menonton sungai di saluran mengajukan pertanyaan secara real time dan umumnya menciptakan perasaan bahwa saya tidak berbicara ke dinding.

Dari hati.