Ainda não entendi completamente como isso aconteceu, mas no ano passado me inscrevi no curso Deep Learning palavra por palavra e, surpreendentemente, li. Ele prometeu - eu espalhei!

O curso não pretende ser completo, mas uma maneira de brincar com as mãos nas principais áreas em que o aprendizado profundo se estabeleceu como uma ferramenta prática e obtém base suficiente para ler e entender livremente artigos modernos.

Os materiais do curso foram testados em estudantes do Departamento de AIPT da Universidade Estadual de Novosibirsk , para que haja uma chance de que você possa realmente aprender algo com eles.



O curso exige:

- Conhecimento de matemática no nível do primeiro ou do segundo ano da universidade: você precisa conhecer um pouco da teoria das probabilidades, álgebra linear, noções básicas de matemática e análise das funções de muitas variáveis. Se tudo isso passou por você, aqui estão todos os cursos que você precisa do MIT e Harvard. Neles, normalmente o suficiente para passar pelas duas primeiras seções.
- Capacidade de programar em python.

Em um bom curso, palestras, exercícios e um local onde você pode fazer perguntas e discutir devem estar disponíveis. Aqui eles são coletados do mundo por thread:

- Palestras existem como gravações no Youtube .
- Como exercícios, você pode usar as tarefas dos magníficos cursos Stanford DeepLearning ( CS231n e CS224n ), escreverei abaixo quais especificamente.
- Você pode discutir e perguntar sobre ClosedCircles e ODS.ai.

Palestras e exercícios

Palestra 1: Introdução
Aula 2: Classificador Linear
Aula 2.1: Softmax

Exercício: seções dos classificadores k-Neighbour Nearest e Softmax daqui
Pelas especificidades da tarefa, essas notas de aula podem ajudar.

Aula 3: Redes neurais. Retropropagação
Palestra 4: Redes Neurais em Detalhe

Exercício: seções de rede neural de duas camadas daqui e rede neural totalmente conectada daqui

Palestra 5: Redes Neurais Convolucionais (CNN)
Palestra 6: Bibliotecas para Aprendizado Profundo

Exercício: Redes Convolucionais e PyTorch nas seções CIFAR-10 daqui

Palestra 7: Outras tarefas de visão computacional
Aula 8: Introdução à PNL. word2vec

Exercício: a seção word2vec daqui

Palestra 9: Redes Neurais Recursivas (RNN)
Aula 10: Tradução Automática, Seq2Seq, Atenção

Não encontrei uma boa tarefa pronta aqui, mas você pode implementá-la no PyTorch Char-RNN a partir do famoso post de Andrej Karpathy e colocá-lo contra Shakespeare.

Aula 11: Introdução à Aprendizagem por Reforço (RL), Algoritmos Básicos
Aula 12: Exemplos do uso de RL. Alfa (Go) Zero.
Aula 13: Redes neurais em 2018.

Onde discutir e fazer perguntas

Todas as perguntas do curso podem ser feitas pessoalmente ou discutidas no círculo #data no ClosedCircles.com ( aqui está um convite ).
Além disso, as tarefas podem ser discutidas no canal # class_cs231n no ODS.ai , onde elas ajudarão. Para fazer isso, você precisará receber um convite lá, enviar aplicativos.

Bem, em geral, escreva e ligue sempre feliz.

A seção mais agradável é obrigado!

Antes de tudo, muito obrigado a Buriy , com quem preparamos o curso. Graças ao departamento nativo , que deu uma oportunidade em geral.

Todos os participantes do hangout no ODS.ai e no ClosedCircles, que ajudaram na preparação, responderam perguntas, enviaram comentários, lembraram a todos para divulgar tudo, etc.

Por fim, todo mundo que assistia às transmissões no canal fazia perguntas em tempo real e geralmente criava a sensação de que eu não estava falando com a parede.

Do coração.