Data Science: Practical Deep Learning in Theano + TensorFlow

素材介绍

数据科学：Theano + TensorFlow中的实践深度学习 https://www.udemy.com/data-science-deep-learning-in-theano-tensorflow/ 使用SGD，Nesterov动量，RMSprop，Theano，TensorFlow以及在AWS上使用GPU，深入学习。 畅销书 由Lazy Programmer Inc.创建 最后更新6/2017 英语 我将学习什么？ 应用势头反向传播来训练神经网络的 应用自适应学习速率程序，如：AdaGrad和RMSprop到反向传播来训练神经网络 了解Theano的基本构建模块 建立在Theano神经网络 了解TensorFlow的基石 建立在TensorFlow神经网络 构建在MNIST数据集上表现良好的神经网络 了解全梯度下降，批量梯度下降和随机梯度下降之间的差异 了解和实现Theano和TensorFlow 要求的退出正则化对 Python，Numpy和Matplotlib来说都是舒适的。安装Theano和TensorFlow。 如果您还不了解渐变下降，backprop和softmax，请采用我之前的课程，深入学习Python，然后返回本课程。 说明 本课程继续进行，我的第一门课程是Python深度学习，不再适用。您已经知道如何在Python中构建人造神经网络，并且您可以使用可用于TensorFlow的即插即用脚本。神经网络是机器学习的主要手段之一，它们始终是Kaggle比赛中的顶级选手。如果您想通过神经网络和深入学习来提高自己的技能，这是您的课程。 你已经学会了反向传播（因为这个，本课程基本上不包含MATH），但是有很多未回答的问题。你如何修改它以提高训练速度？在本课程中，您将了解批次和随机梯度下降，两种常用技术，可让您在每次迭代时仅对少量数据进行培训，大大加快了培训时间。 您还将了解动量，这可以帮助您通过当地的最低标准，并防止您对学习率过于保守。您还将了解AdaGrad和RMSprop等适应性学习率技术，这也有助于加快您的培训。 由于您已经了解了神经网络的基本原理，我们将讨论更多的现代技术，例如退出正则化，我们将在TensorFlow和Theano中实施。该课程不断更新，更高级的正规化技术在不久的将来会来临。 在我最后一个课程中，我只想在TensorFlow上给你一个小小的潜行高峰。在本课程中，我们将从基础知识开始，以便准确了解发生了什么 - 什么是TensorFlow变量和表达式，以及如何使用这些构建块来创建神经网络？我们还要去看一本图书馆，这个图书馆的时间要长得多，而且非常受欢迎，深入学习 - Theano。使用这个库，我们还将研究基本的构建块 - 变量，表达式和函数，以便您可以自信地在Theano中构建神经网络。 由于TensorFlow和Theano的主要优点之一是能够使用GPU来加快培训，我将向您展示如何在AWS上设置GPU实例，并比较CPU与GPU的速度，以训练深层神经网络。 随着所有这些额外的速度，我们将看一个真正的数据集 - 着名的MNIST数据集（手写数字的图像），并与各种已知的基准进行比较。 本课程重点介绍“如何建立和理解”，而不仅仅是“如何使用”。任何人都可以在阅读一些文档后的15分钟内学会使用API。这不是关于“记住事实”，而是通过实验来“看待自己”。它会教你如何在模型内部可视化。如果你想要的不只是一个肤浅的机器学习模型，这个课程是为你。 注意： 本课程的所有代码可以从我的github下载：/ lazyprogrammer / machine_learning_examples 在目录：ann_class2 确保你总是“git拉”，所以你有最新的版本！ 硬编码/知识你被认为是： 微积分 线性代数 概率 Python编码：if / else，循环，列表，dicts，设置 Numpy编码：矩阵和向量操作，加载CSV文件 TIPS（通过课程）： 观察它在2x。 拿手写笔记。这将大大增加您保留信息的能力。 记下方程式。如果你不这样做，我保证只会看起来像乱七八糟的。 在讨论板上提出很多问题。越多越好！ 意识到大多数练习将需要几天或几周的时间才能完成。 自己编写代码，不要只是坐在那里看看我的代码。 有用的课程顺序： （该numpy的堆栈在Python） 线性回归在Python Logistic回归在Python （Python中的监督机器学习） （贝叶斯机器学习在Python：A / B测试） 深入学习Python中的 实际深度学习在Theano和TensorFlow （ Python中的监督机器学习2：集合方法） Python中的卷积神经网络 （简易NLP） （集群分析和无监督机器学习） 无监督的深度学习 （隐马尔可夫模型） Python中的经常性神经网络 人工智能：Python中的加固学习 自然语言处理在Python中深入学习 谁是目标受众？ 希望深化机器学习知识的学生和专业人士想要 了解更多关于深度学习的 数据科学家已经知道反向传播和渐变下降的数据科学家，并希望通过随机批次训练，动量和自适应学习速率程序（如RMSprop）进行改进 那些还不知道反向传播或softmax的人应该采取我早期的课程，深入学习Python，第一 大小：490.85M