За счет бесчисленных зерен эспрессо я горжусь тем, что выпускаю 18 часов совершенно новых видеоуроков, знакомящих со всем глубоким обучением, включая то, что такое глубокие нейронные сети и все их основные приложения: для машинного зрения, естественного языка обработки, художественного творчества и принятия сложных решений.

Все предыдущие видеоуроки, которые я выпустил, получили повсеместные пятизвездочные оценки от пользователей платформы онлайн-обучения O'Reilly, но я уверен, что качество этих новых видео заметно улучшится по сравнению с любыми предыдущими. те.

В серии три набора видеоуроков:

  1. Одноименный Глубокое обучение с TensorFlow, Keras и PyTorch (выпущен в феврале 2020 г.)
  2. Глубокое обучение для обработки естественного языка, 2-е изд. (февраль 2020 г.)
  3. Машинное зрение, GAN и глубокое обучение с подкреплением (апрель 2020 г.)

В целом эта серия полностью соответствует содержанию моей книги Deep Learning Illustrated. Это означает, что видео представляет все возможности глубокого обучения:

  • Что такое глубокие нейронные сети и как они работают, как с математической точки зрения, так и с использованием самых популярных библиотек кода.
  • Машинное зрение, в первую очередь сверточные нейронные сети.
  • Обработка естественного языка, в том числе с помощью рекуррентных нейронных сетей.
  • Художественное творчество с генеративно-состязательными сетями (GAN)
  • Сложное последовательное принятие решений с глубоким обучением с подкреплением

Эти видеоуроки также содержат дополнительный контент, которого нет в книге, например:

  • Подробные интерактивные примеры обучения и тестирования моделей глубокого обучения в PyTorch.
  • Как генерировать новые последовательности естественного языка в стиле ваших обучающих данных
  • Высокоуровневое обсуждение моделей обработки естественного языка на основе преобразователей, таких как BERT, ELMo и GPT-2.
  • Подробные интерактивные примеры обучения продвинутых моделей машинного зрения (сегментация изображений, обнаружение объектов)
  • Все практические демонстрации кода с использованием TensorFlow или Keras были обновлены до TensorFlow 2.

Краткое содержание урока со ссылками на Jupyter Notebooks

С этими видео связаны десятки тщательно созданных блокнотов кода Jupyter. Все их можно найти в этой директории GitHub. Ниже приводится разбивка уроков, описанных в видео, включая их продолжительность и соответствующие блокноты.

Глубокое обучение с TensorFlow, Keras и PyTorch

  • Общее время работы семь часов и 13 минут.

Урок 1. Введение в глубокое обучение и искусственный интеллект (1 час 47 мин.)

Урок 2. Как работает глубокое обучение (2 часа 16 мин.)

Урок 3. Высокопроизводительные сети глубокого обучения (1 час 16 мин.)

Урок 4. Сверточные нейронные сети (47 мин.)

Урок 5. Развитие собственных проектов глубокого обучения (1 час 4 мин.)

Глубокое обучение для обработки естественного языка

  • Общее время работы пять часов

Урок 1. Сила и элегантность глубокого обучения для НЛП (46 мин.)

Урок 2. Векторы слов (1 час 7 мин.)

Урок 3. Моделирование данных на естественном языке (1 час 43 мин.)

Урок 4. Рекуррентные нейронные сети (25 мин.)

Урок 5. Расширенные модели (54 мин.)

Машинное зрение, GAN и глубокое обучение с подкреплением

  • Общее время работы шесть часов и шесть минут

Урок 1. Ориентация (35 мин.)

Урок 2. Сверточные нейронные сети для машинного зрения (2 часа 2 минуты)

Урок 3. Генеративно-состязательные сети для творчества (1 час 22 мин.)

Урок 4. Глубокое обучение с подкреплением (38 мин.)

Урок 5: Глубокое Q-обучение и не только (1 час 25 мин.)

Джон Крон (Jon Krohn) — главный специалист по анализу данных в компании по машинному обучению untapt. Он является автором книги Deep Learning Illustrated в 2019 году, которая мгновенно стала бестселлером №1 и была переведена на шесть языков. Джон известен своими убедительными лекциями, которые он читает лично в Колумбийском университете, Нью-Йоркском университете и Нью-Йоркской академии наук о данных, а также онлайн через O'Reilly, YouTube и его подкаст, искусственная нейронная сеть New Network. . Джон имеет докторскую степень в области нейробиологии, полученную в Оксфорде, и с 2010 года публикует статьи о машинном обучении в ведущих научных журналах.