1. Герои глубокого обучения

    Пионер в области глубокого обучения Andrew Ng (Эндрю Ын) в рамках своих образовательных проектов в сфере искусственного интеллекта провел ряд интервью с исследователями, внесшими существенный вклад в развитие глубокого обучения. Герои выпусков: Yann LeCun, Andrej Karpathy, Ian Goodfellow, Yoshua Bengio, Geoffrey Hinton, Ruslan Salakhutdinov, Yuanqing Lin, Pieter Abbel, Dawn Song....
  2. Схема решения задач глубокого машинного обучения

    Обобщенный процесс решения задачи глубокого машинного обучения: 1. Определение задачи и создание набора данных. 2. Выбор меры успеха. 3. Выбор протокола оценки. 4. Предварительная подготовка данных. 5. Разработка модели, более совершенной, чем базовый случай. 6. Масштабирование по вертикали: разработка модели с переобучением. Поиск границы между недообучением и переобучением. 7. Регуляризация...
  3. Когда стоит использовать глубокое обучение

    Глубокое обучение стоит использовать, когда: более простые модели (логистическая регрессия) не дают требуемой верности; требуется распознавать сложные паттерны в изображениях, NLP или звуковых данных; размерность данных велика; входные данные обладают временным измерением (последовательности). Когда стоит ограничиться традиционным машинным обучением Традиционное машинное обучение стоит использовать, когда: имеются высококачественные данные низкой размерности,...
  4. Глубокое обучение на Python: краткое содержание и выводы

    Примечание-спойлер: обязательно приобретите себе экземпляр этой книги, если вовлечены в сферу data science, ML, DL. Хотел разбить на несколько частей, но лучше оставить один лонгрид. Книга Франсуа Шолле «Глубокое обучение на Python» написана для людей с опытом программирования на Питоне, желающих начать знакомство с технологиями глубокого обучения. Будет интересна и...
  5. Простая самописная нейросеть на Питоне

    Немного самодеятельности в попытке кратко описать нейросеть на Питоне без использования специализированных библиотэк. К каждому новому листингу добавляет код предыдущего листинга, то есть он следует по мере заполнения. Создаём двуслойную нейросеть (входной слой не берется при подсчете слоев). 1. Создаем класс нейросети в Питоне 2. Добавляем функцию прямого прохода...
  6. Нейросети простыми словами

    Хорошо, когда данные можно описать понятными для алгоритма параметрами, но это не всегда возможно. Например, как в случае с голосом, изображением и текстом. К ним применяют иные методы, которые называются искусственными нейронными сетями. Обучившись на массиве предварительных данных, они обретают способность самостоятельно подбирать для себя признаки правильного ответа. Например, «посмотрев»...
  7. Распознавание образов в R

    Это подробная инструкция по распознаванию образов в R с использованием глубокой сверточной нейронной сети, предоставляемой пакетом MXNet. В этой статье приведен воспроизводимый пример, как получить 97,5% точность в задаче распознавания лиц на R. Предисловие Мне кажется, кое-какое предисловие все же нужно. Я пишу эту инструкцию исходя из двух соображений. Первое — предоставить всем...
  8. Гид по свёрточным нейронным сетям

    Введение Оригинал на английском здесь. Свёрточные нейронные сети (СНС). Звучит как странное сочетание биологии и математики с примесью информатики, но как бы оно не звучало, эти сети — одни из самых влиятельных инноваций в области компьютерного зрения. Впервые нейронные сети привлекли всеобщее внимание в 2012 году, когда Алекс Крижевски благодаря...
  9. Классификация и типы нейронных сетей

    Можно провести следующую классификацию нейронных сетей: Характер обучения Классификация нейронных сетей по характеру обучения делит их на: нейронные сети, использующие обучение с учителем; нейронные сети, использующие обучение без учителя. Рассмотрим это подробнее. Нейронные сети, использующие обучение с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор,...
  10. Бесплатные программы для глубинного обучения

    Фреймворки, библиотеки программ и отдельные программы для глубинного обучения. Apache SINGA BigDL Caffe Deeplearning4j Dlib Keras MatConvNet Microsoft Cognitive Toolkit MXNet OpenNN TensorFlow Theano Torch И ещё несколько вариантов (часть из них могут быть платными):   adnn – Javascript neural networks Blocks – Theano framework for building and training neural networks Caffe2 –...

Data Scientist # 1

Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

Данные — новый актив!

Эффективно управлять можно только тем, что можно измерить.
Copyright © 2019 Data Scientist. Все права защищены.