Глубинное обучение

Неделя 1

Этот курс вкратце рассказывает о машинном обучении. Учащиеся, считающие себя экспертами в области машинного обучения, могут перейти к изучению занятий следующей недели.

Загрузка

Видео курса

Неделя 2

Начало развитию нейронных сетей было положено в биологии. Этот курс обучает базовой номенклатуре в глубинном обучении: понятие нейрона (и его сходство с биологическим нейроном), архитектура нейронной сети с прямой связью, функции активации и вес.

Загрузка

Видео курса

Неделя 3

Этот курс основан на концепциях, изученных на неделе 2: как нейронная сеть вычисляет выходные данные с учетом входных данных за один прямой проход и как использовать эту сеть для обучения модели. Узнайте, как рассчитать потери и сбалансировать результаты, используя метод обратного распространения. Кроме того, дается описание типов функций активации.

Загрузка

Видео курса

Неделя 4

Изучение методов повышения скорости и точности обучения. Определение преимуществ и недостатков использования градиентного понижения, стохастического градиентного понижения и миникомплектов. Используя базовые знания о нейронных сетях, полученные на 2 - 4 неделях, вы узнаете о том, как создать обычную нейронную сеть с помощью среды Keras* и поддержки TensorFlow*.

Загрузка

Видео курса

Неделя 5

Как можно предотвратить переполнение данных (выполнить регуляризацию) в нейронной сети? В этом курсе вы узнаете о штрафных функциях затрат, отсевах, ранних остановках, импульсах и некоторых оптимизаторах, таких как AdaGrad и RMSProp, которые помогают регуляризовать нейронную сеть.

Загрузка

Видео курса

Неделя 6

Подробные сведения о конволюционных нейронных сетях (CNN) и их сравнение с уже представленной, полностью подключенной нейронной сетью. Узнайте, как создать сеть CNN, выбрав размер ячеек, основу, расстояния между узлами, глубину и объединение.

Загрузка

Видео курса

Неделя 7

Использование топологии LeNet-5 и вопросы применения всех концепций сетей CNN, полученных в последнем уроке для набора данных MNIST (Modified National Institute of Standards and Technology) и распознавания рукописных цифр. Используя обученную нейронную сеть, узнайте, как получившие обучение на первых нескольких уровнях примитивные функции могут быть обобщены в задачах классификации изображений и как может использоваться передача обучения.

Загрузка

Видео курса

Неделя 8

Литература по глубинному обучению, представляющая различные топологии классификации изображений, такие как AlexNet, VGG-16 и VGG-19, Inception и ResNet. На этой неделе вы узнаете, как эти топологии проектировались и создавались сценарии их применения.

Загрузка

Видео курса

Неделя 9

Одним из практических барьеров на пути создания классификаторов изображений считается получение помеченных данных обучения. Узнайте, как максимально использовать доступные помеченные данные с помощью их дополнения и применения ПО Keras*.

Загрузка

Видео курса

Неделя 10

До сих пор мы использовали изображения в качестве вводной информации для нейронных сетей. Данные изображений — это, по существу, числа (оттенки серого или RGB). Однако, как при этом выполнить обработку текста? Как создать нейронную сеть для работы с фрагментами текста переменной длины? Как преобразовать слова в числовые значения? Узнайте о рекуррентных нейронных сетях (RNN) и их применении в обработке естественного языка (NLP).

Загрузка

Видео курса

Неделя 11

Вы познакомитесь с расширенными вопросами разработки RNN и тем, как можно использовать концепцию повторения для решения проблемы с переменными последовательностями и формированием порядка слов. Захватите блокнот и карандаш для решения математических задач для RNN.

Загрузка

Видео курса

Неделя 12

Стандарт RNN не имеет должных возможностей памяти. В NLP важно иметь структуру, которая может последовательно перемещать определенные сигналы. Узнайте о долгой краткосрочной памяти (LSTM), которая решает эту проблему.

Загрузка

Видео курса