Я учусь на 3-м курсе инженерной физики в ИИТ Мадрас. В прошлом семестре 2017 года, из-за ИИ, материалов глубокого обучения, которые появляются в новостной ленте, и борьбы Илона Маска и Марка Цукерберга из-за ИИ (например, Люка Скайуокера против Кайло Рена), я подумал изучить некоторые блоги по глубокому обучению. дни перемалывания и кормления мозга общими терминами глубокого обучения (О боже, я был поражен тем, что они могут сделать). Я завидовал, когда они упомянули в статьях, что CNN может классифицировать изображения наравне с человеческими за несколько дней обучения (мне 20, и я до сих пор не могу классифицировать между гориллой и шимпанзе), чем модели лучше в классификации изображений, чем я.
Я решил пройти бесплатный онлайн-курс, и меня отследили до курса CS231N (CNN для визуального распознавания). прошлое) и веря, что я это сделал.
Я прошел 16 длинных лекций CS231N по 1 лекции в день и закончил ее, не выполняя никаких учебных пособий. Я был глубоко удовлетворен содержанием курса и изучил материал, который мог предложить курс.
Но в глубине души я знал, что сделал это не в правильной последовательности. Это должно было быть машинное обучение, а затем глубокое обучение.
Я прошел онлайн-курс Машинное обучение 10–601 и закончил половину курса, так как к тому времени подходил к концу семестр. Курс ведут профессор Том Митчелл и профессор Мария-Флорина Балкан, Университет Карнеги-Меллон.
Оба вышеперечисленных курса имеют видеоролики на YouTube и очень хорошо сбалансированы по глубине.
Я посмотрел далеко и узнал, что один из отделов предлагает курс по ID 5030: Машинное обучение для инженеров и научных приложений в этом семестре (Глубокое обучение плюс машинное обучение, самое большое пересечение курсов) потому что мне нужно отметить курсы. (Ха-ха, хотя я выучил большую часть материала). Курс был действительно хорошо структурирован и обсуждал их соответствующие работы с сетями. Курс вели профессор Ганапати Кришнамурти и профессор Баладжи Шринивасан.
Теперь я в хорошем состоянии, чтобы направлять новичков о том, как начать и продолжать.
Обзор:
Сначала закончите с машинным обучением и только затем приступайте к глубокому обучению. Курс по машинному обучению также включает в себя часть вероятностного подхода, и его нельзя упускать. Вы можете складывать модели машинного обучения поверх архитектуры глубокого обучения или до нее, чтобы достичь очень хорошие результаты. Вероятностные модели уже в пути, и многие считают, что это будет версия 2.0 DL.
Летом я расскажу о последних событиях в архитектуре. Следите за новостями и следите за обновлениями.
КНИГИ:
Они самые важные. Даже если вы проходите онлайн-курс или смотрите видеолекции, старайтесь следовать книгам. Не все можно охватить на лекциях за 1 час.
Машинное обучение Тома Митчелла
Распознавание образов и машинное обучение
Байесовские рассуждения и машинное обучение Дэвида Барбера
Практическое машинное обучение с помощью Scikit-Learn и TensorFlow
Ян Гудфеллоу Глубокое обучение
Профессиональное глубокое обучение с TensorFlow
БЕСПЛАТНЫЕ ВИДЕОЛЕКЦИИ:
Машинное обучение 10–601 (https://www.youtube.com/watch?v=m4NlfvrRCdg)
Практическое глубокое обучение для программистов fast.ai Часть 1 и Часть 2 (http://course.fast.ai/)
MIT 6.S094: Введение в глубокое обучение и самоуправляемые автомобили (https://www.youtube.com/watch?v=1L0TKZQcUtA)
ВЕБ-САЙТЫ :
arxiv-sanity.com
Глубокий разум
OpenAI
Исследования Facebook (FAIR)
аналитикавидхья
Каггл
КОНФЕРЕНЦИИ:
ICLR
ICML
ЦВПР
НИПС
АААИ
