मी पटकन डीप लर्निंग कसे शिकू?


उत्तर 1:

आपण आयसीएलआर (लर्निंग रिप्रेझेंटेटिव्ह्जवरील इंटरनॅशनल कॉन्फरन्स) किंवा एनआयपीएस (न्यूरल इन्फॉरमेशन प्रोसेसिंग सिस्टम) किंवा आयसीएमएल (मशीन लर्निंगवर आंतरराष्ट्रीय कॉन्फरन्स) यासारख्या परिषदेच्या कार्यवाहीद्वारे किंवा खरोखर संगणकाच्या दृष्टीकोनातून काही विशिष्ट अनुप्रयोग, नैसर्गिक भाषा ब्राउझ करत असल्यास प्रक्रिया किंवा भाषण ओळख, दरवर्षी सहजतेने हजारो शैक्षणिक आणि औद्योगिक पेपर प्रकाशित केले जातात जे काही फॅशनमध्ये "सखोल शिक्षण" सुधारण्याचा प्रयत्न करतात. तर, बरेच लोक या प्रश्नावर स्पष्टपणे कार्य करीत आहेत.

तर मग आपण स्वतःला एक वेगळा प्रश्न विचारूया: खोल शिक्षण आपण “सुधार” कसे करू शकतो, म्हणजेच कडाभोवती डी.एल. पेक्षा अधिक "नवीन चिन्हे" विकसित करू शकतो, ज्यामुळे खेळाच्या क्षेत्राला खरोखरच बदलते. ते करण्यासाठी, एखाद्याने हे ओळखणे आवश्यक आहे की एआय आणि मशीन लर्निंग सोडवण्याचा प्रयत्न करीत असलेली मूलभूत समस्या म्हणजे मेंदू मनाची निर्मिती कशी करते याबद्दल उपयोगी संगणकीय सिद्धांत विकसित करणे. या प्रकाशातील एआय इतर ब fields्याच क्षेत्रांचे पूरक आहे - जीवशास्त्र, न्यूरोसॉन्स, मानसशास्त्र, आकडेवारी, सार्वजनिक धोरण, कायदा आणि अर्थशास्त्र - हे मेंदू विशिष्ट मानसिक क्रिया कशा कारणास्तव कारणीभूत आहे याचा सिद्धांत विकसित करीत आहेत. तर मग आपण इतर क्षेत्रांतील अंतर्दृष्टीची काही अलीकडील उदाहरणे घेऊ या, यासाठी की आपण चाक पुन्हा चालू करू नये आणि इतरांनी निर्माण केलेल्या अंतर्दृष्टीचा फायदा होऊ शकेल.

१. माणूस, शेवटी, तो “प्राणी” आहे आणि एक प्रश्न विचारू शकतो: प्राण्यांचा कसा विकास झाला? प्रथम प्राणी कसा दिसला? हे उत्तर देणे कठीण प्रश्न आहे, कारण लवकर प्राणी सर्व विलुप्त झाले आहेत. तथापि, काही चतुर गुप्तहेर कार्यामुळे या प्रश्नाचे अंतर्ज्ञान मिळू शकते. न्यूयॉर्क टाइम्सने हा छान लेख नुकताच प्रकाशित केला आहे ज्यामध्ये सर्व प्राण्यांमध्ये कोणती जीन्स सामान्य आहेत हे कसे दिसते आणि त्याद्वारे उत्क्रांतीवादी ऐतिहासिक विश्लेषणाची साधने वापरुन प्राण्यांचा पहिला सेट कसा दिसला असेल याचा अंतर्दृष्टी शोधून काढला. (विशेष म्हणजे हे शार्क बनवते आणि मानवांमध्ये हिमोग्लोबिन तयार करणारे समान जीन असतात! याची कल्पना करा ...). अशा कार्यावरून स्पष्टपणे उद्भवणारी अंतर्दृष्टी म्हणजे आपण मेंदूद्वारे उत्पादित मानसिक क्रियाकलापांचा एक महत्त्वपूर्ण भाग अनुवांशिक असतो. तर, एक महत्त्वाचा प्रश्न आहे: जन्मजात म्हणजे काय आणि काय शिकले जाते? स्पष्टपणे, आपण त्यांना किती डेटा दिला तरीही काही हरकत नाही, कुत्री आणि मांजरी - जे मानवी भाषण ऐकण्यासाठी वर्षानुवर्षे किंवा दशकांपर्यत ऐकतात आणि त्यांच्या मेंदूत खूप मोठे खोल नेटवर्क आहे - बोलण्याची क्षमता कधीही विकसित होत नाही. हे साधे जीडँकेनेक्सेपेरिमेंट सूचित करते की डीएल पुरेसे नाही. तर, भाषा बोलण्याची मानवी क्षमता आणि इतर प्राण्यांना भाषा बोलण्यास असमर्थता कशापासून वेगळी करते हे स्पष्टपणे समजले पाहिजे आणि हे केवळ डेटा किंवा डीएल नेटवर्कवरच आधारित असू शकत नाही.

डीएनएच्या स्फोटात खूपच प्रथम प्राणी दिसू लागले

२. रुबिन आणि पर्ल यासारख्या संशोधकांनी केलेल्या आकडेवारीत नुकत्याच घडलेल्या संशोधनातून असे दिसून आले आहे की कारण म्हणजे सर्व विज्ञान तसेच अर्थशास्त्र, आरोग्य, सार्वजनिक धोरण, शिक्षण आणि इतर मानवी प्रयत्नांचे लक्ष्य which निरिक्षण ज्ञान गोळा करून आणि साहसी नेटवर्क तयार करून पूर्णपणे शिकलात. आपण किती मोठा इमेजेनेट प्रकारचे डेटासेट तयार करीत आहात हे महत्त्वाचे नाही, जेव्हा आपण मजल्यावरील ग्लास ठोठावतो तेव्हा काय होते हे समजून घेणे - एखादी गोष्ट जगाशी संवाद साधण्यापासून शिकते - कॅन केलेला पूर्व-लेबल केलेल्या प्रतिमांच्या सेटमधून बाहेर पडणार नाही. हवामान बदलाचा प्रभाव कमी करण्यासाठी किंवा मलेरियामुळे होणारे मृत्यू कमी करण्यासाठी किंवा शालेय गोळीबार दूर करण्यासाठी डेटा सायन्स मदत करू शकते, परंतु शेवटी, या समस्यांना समजावून घेण्याचे आणि मॉडेलिंग कारक हस्तक्षेप आवश्यक आहेत. एकतर एखाद्यामध्ये यादृच्छिक प्रयोग करण्याची क्षमता असणे आवश्यक आहे - आधुनिक आकडेवारीचे संस्थापक फिशर यांनी 20 व्या शतकाच्या सुरूवातीस अग्रगण्य केले - जे आधुनिक औषधाची रचना मोठ्या किंमतीवर करते, किंवा एखाद्याने पर्लच्या डो-कॅल्क्यूलस किंवा रुबिनच्या संभाव्यतेसारखे एक नवीन कॅल्क्यूलस विकसित केले पाहिजे निरीक्षणाद्वारे आणि यादृच्छिक नसलेल्या प्रयोगांमुळे निष्कर्ष काढणे. डीएल नेटवर्क किती खोल आहे, किंवा ते कोणत्या अ-लाइनरिटीज वापरते हे महत्त्वाचे नाही, कार्यकारण ज्ञान पूर्णपणे प्रशिक्षण असोसिएटिव्ह लर्निंग मॉडेल्सद्वारे उद्भवणार नाही. म्हणून, जर मशीन लर्निंग हे सामाजिक चांगल्यासाठी - चांगले आरोग्य सेवा, चांगले शिक्षण, हवामान बदलांची मॉडेल, सुधारित रहदारी आणि चांगल्या राहणीमानाची साधने पुरविते - तर पूर्णपणे सांख्यिकीय डीएल पुरेसे ठरणार नाही. कार्यक्षमता समजून घेण्यासाठी पर्लचे नवीनतम पुस्तक वाचा आणि ते पुढील एआय आणि एमएल प्रतिमानाचा आधार का असावे.

का पुस्तक: कारण आणि प्रभावीतेचे नवीन विज्ञानः ज्यूडिया पर्ल, दाना मॅकेन्झी: 9780465097609: Amazonमेझॉन डॉट कॉम: पुस्तके

Recent. अलीकडील काही काळात वर्तनात्मक अर्थशास्त्राच्या क्षेत्राने मनुष्याच्या वर्तनाबद्दल नवीन अंतर्दृष्टी विकसित केली आहे. मानवी वागणूक समजून घेण्यासाठी आपल्याला त्यांचे प्रेरणा काय आहे, मानव कसे प्रतिफळ शोधत आहे आणि त्यांची इच्छा आणि भीती काय आहे हे समजून घेणे आवश्यक आहे. वर्तणूकविषयक अर्थशास्त्र, पारंपारिक उपयोगिता आधारित अर्थशास्त्राच्या विपरीत, मानवी वर्तनाचे अधिक वास्तववादी चित्र तयार करण्यासाठी मानसशास्त्र आणि इतर क्षेत्रांमधून दशके समजून घेतात. अशा प्रकारचे विश्लेषण डीएलऐवजी नवीन प्रतिमानाचा पाया बनले पाहिजे.

बाजारपेठ

वर्तनात्मक अर्थशास्त्राची आवश्यकता सारांशित करणारा हा एक चांगला लेख आहे. लेखात जसे म्हटले आहे:

“आर्थिक माणूस तार्किक, तर्कसंगत, स्व-हितसंबंधित निर्णय घेतो जे फायद्याच्या विरोधात किंमतींचे वजन करतात आणि स्वतःचे मूल्य आणि नफा वाढवतात. इकॉनॉमिक मॅन हा एक बुद्धिमान, विश्लेषक, स्वार्थी प्राणी आहे जो आपल्या भविष्यातील उद्दीष्टांच्या मागे लागून अचूक आत्म-नियमन करतो आणि शारीरिक स्थिती आणि भावनांनी चालत नाही. इकॉनॉमिक मॅन हा शैक्षणिक सिद्धांत उभारण्यासाठी एक अद्भुत सोयीस्कर प्यादे आहे. परंतु इकॉनॉमिक मॅनमध्ये एक प्राणघातक दोष आहे: तो अस्तित्वात नाही. जेव्हा आपण वास्तविक मानवांकडे वळतो तेव्हा आपण रोबोट सारख्या तर्काऐवजी सर्व तर्कविहीन, स्वत: ची तोडफोड आणि अगदी परोपकारी वागणूक देखील शोधतो. ”

म्हणूनच, रिफोर्समेंट लर्निंगचे आधुनिक क्षेत्र (आरएल), जे अपेक्षित उपयोगिता जास्तीत जास्त करण्याच्या शास्त्रीय कल्पनेवर आधारित आहे, जे शेवटी अयोग्य आहे. त्याऐवजी ज्याची आवश्यकता आहे, ते एक नवीन क्षेत्र आहे, चला त्यास “वर्तनात्मक आरएल” म्हणावे जे हर्नबर्ट सायमन आणि रिचर्ड थेलर आणि इतरांच्या काहेनमन आणि टर्व्हस्की यांच्या अंतर्दृष्टीवर आधारित आहे आणि कसे मॉडेल तयार करण्यासाठी प्रॉस्पेक्ट थियरी सारख्या औपचारिक पद्धतींचा उपयोग करतात. लोक वास्तविक जगात निर्णय घेतात.

माझ्या दृष्टीकोनातून, “सखोल शिक्षणामध्ये सुधारणा” करण्याचे हे तीन मूलभूत मार्ग आहेत आणि मला आशा आहे की इतरांनाही संशोधनाच्या इतर क्षेत्रांतील वरील काही अंतर्दृष्टींवर पुढील एआय नमुना तयार करण्याची इच्छा वाटेल.


उत्तर 2:

सखोल शिक्षण हा एक कठीण विषय आहे म्हणून ते त्वरेने शिकण्याची अपेक्षा करू नका. परंतु निश्चितच आपण हे पद्धतशीर मार्गाने शिकण्याचा प्रयत्न करू शकता:

  • सखोल शिक्षणाद्वारे Google द्वारे उदासिटी कोर्ससह प्रारंभ करा
  • सखोल शिक्षण पाठ्यपुस्तकाचा अभ्यास करा
  • सखोल शिक्षणाचा एक मनोरंजक अनुप्रयोग मिळवा.
  • स्टॅनफोर्डद्वारे एनपीपी खोल शिक्षण घेणे ही चांगली सुरुवात आहे. व्याख्यान व्हिडिओंचा दुवा.
  • मजबुतीकरण शिक्षण | मशीन शिक्षणावर खोल शिक्षण संकल्पना लागू करण्याचा आणखी एक मनोरंजक मार्ग म्हणजे उदासीपणा.
  • अधिक जाणून घ्या सखोल शिक्षणाबद्दल जाणून घेण्यासाठी सर्वोत्तम संसाधने कोणती आहेत?

उत्तर 3:

मूळ लेख:

एआय, मशीन लर्निंग आणि डीप लर्निंगचे विहंगावलोकन

आपण तंत्रज्ञानावर असल्यास, आपण कृत्रिम बुद्धिमत्ता, मशीन लर्निंग आणि अगदी डीप लर्निंगच्या भोवताल बरेच बडबड ऐकत आहात. योग्य शब्द कोणता आणि कधी वापरायचा आहे? त्या सर्वांचा अर्थ एकच आहे का? म्हणजे, लोकांना खात्री आहे की ते सर्व वेळोवेळी बदलत असतात.

कृत्रिम बुद्धिमत्ता, मशीन लर्निंग आणि डीप लर्निंग ही प्रत्येक मागील क्षेत्राची उपसंपत्ती आहे. कृत्रिम बुद्धिमत्ता ही मशीन लर्निंगची प्रमुख श्रेणी आहे. आणि मशीन लर्निंग ही डीप लर्निंगची प्रमुख श्रेणी आहे.

डीप लर्निंग मशीन लर्निंगचा उपसंच आहे आणि मशीन लर्निंग ही कृत्रिम बुद्धिमत्तेचा उपसंच आहे.

अलीकडील काळातील वास्तविक हायपे सर्वांचे श्रेय डीप लर्निंगला दिले पाहिजे. कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगचे हे विशिष्ट क्षेत्र अलिकडच्या वर्षांत स्वयंचलित किराणा दुकानातून खरेदी करण्यापासून स्वायत्त कारपर्यंत अनेक मनोरंजक समस्या सोडवत आहे.

कृत्रिम बुद्धिमत्ता

तर कृत्रिम बुद्धिमत्तेबद्दल आपण इतके ऐकत का आहोत? काहीजण कदाचित इलोन मस्क आणि सॅम ऑल्टमॅन यांना श्रेय देतात. इलोन मस्क कृत्रिम बुद्धिमत्तेतील नीतिशास्त्र या विषयावर अधिकाधिक बोलत आहे. मला असे वाटते की तो कृत्रिम बुद्धिमत्ता विज्ञान कल्पित माध्यमांमध्ये वापरलेला परिचित कुतूहल म्हणून वापरत आहे.

कृत्रिम बुद्धिमत्ता हे एक विस्तृत फील्ड आहे ज्यामध्ये अनेक उप-फील्ड, तंत्र आणि अल्गोरिदम आहेत. कृत्रिम बुद्धिमत्तेचे क्षेत्र एखाद्या मशीनला माणसाइतकेच स्मार्ट बनवण्याच्या उद्दीष्ट्यावर आधारित आहे. हे अक्षरशः आरंभिक ध्येय आहे. १ 195 66 मध्ये, संशोधकांनी डॉर्टमाउथ येथे प्रोग्रामिंग कॉम्प्यूटर्सच्या मानवाप्रमाणे वागण्याचे स्पष्ट लक्ष्य ठेवले. आज आपल्याला माहित आहे तसा हा कृत्रिम बुद्धिमत्तेचा आधुनिक जन्म होता.

एआय गोल

कृत्रिम बुद्धिमत्तेची उद्दीष्टे स्पष्ट करण्यासाठी, संशोधकांनी त्यांचे प्राथमिक लक्ष्य या सहा मुख्य लक्ष्यांपर्यंत वाढविले.

1)

लॉजिकल रीझनिंग

. संगणकास असे प्रकारची अत्याधुनिक मानसिक कार्ये करण्यास सक्षम करा जी मनुष्य करण्यास सक्षम आहेत. या लॉजिकल रीझनिंग समस्यांचे निराकरण करण्याच्या उदाहरणांमध्ये बुद्धिबळ खेळणे आणि बीजगणित शब्द समस्येचे निराकरण करणे समाविष्ट आहे.

२)

ज्ञान प्रतिनिधित्व.

ऑब्जेक्ट, लोक आणि भाषा यांचे वर्णन करण्यासाठी संगणक सक्षम करा. याच्या उदाहरणांमध्ये स्मॉलटॅक सारख्या ऑब्जेक्ट ओरिएंटेड प्रोग्रामिंग भाषांचा समावेश आहे.

3)

नियोजन आणि नेव्हिगेशन

. बिंदू A वरून बिंदू B पर्यंत जाण्यासाठी संगणकास सक्षम करा उदाहरणार्थ, प्रथम सेल्फ-ड्रायव्हिंग रोबोट 1960 च्या दशकाच्या सुरूवातीस बनविला गेला.

))

नैसर्गिक भाषा प्रक्रिया

. भाषा समजून घेण्यासाठी आणि त्यावर प्रक्रिया करण्यासाठी संगणक सक्षम करा. यासंदर्भातील प्रथम प्रकल्पांपैकी एक म्हणजे रशियन आणि त्याउलट इंग्रजी भाषांतरित करण्याचा प्रयत्न करीत होता.

5)

समज

. दृष्टी, श्रवण, स्पर्श आणि गंध यांच्याद्वारे जगाशी संवाद साधण्यास संगणक सक्षम करा.

6)

आणीबाणी बुद्धिमत्ता

. म्हणजेच, इंटेलिजेंस जे स्पष्टपणे प्रोग्राम केलेले नाही, परंतु उर्वरित एआयच्या इतर वैशिष्ट्यांमधून उद्भवते. या उद्दीष्टेची दृष्टी म्हणजे मशीन भावनिक बुद्धिमत्ता, नैतिक तर्क आणि बरेच काही प्रदर्शित करतात.

एआय फील्ड्स

जरी या मुख्य उद्दीष्टांसह, हे विशिष्ट कृत्रिम बुद्धिमत्ता अल्गोरिदम आणि तंत्रांचे वर्गीकरण करत नाही. हे कृत्रिम बुद्धिमत्ता अंतर्गत फक्त सहा प्रमुख अल्गोरिदम आणि तंत्र आहेत:

1)

मशीन लर्निंग

कृत्रिम बुद्धिमत्तेचे क्षेत्र आहे जे संगणकांना स्पष्टपणे प्रोग्राम केल्याशिवाय शिकण्याची क्षमता देते.

२)

शोध आणि ऑप्टिमायझेशन

. पुनरावृत्तीपणे स्थानिक जास्तीत जास्त किंवा किमान शोधण्यासाठी अल्गोरिदम.

3)

समाधानी समाधान

व्हेरिएबल्सनी तृप्त केल्या पाहिजेत अशा अटींच्या समाधानावर तोडगा काढण्याची प्रक्रिया आहे.

))

लॉजिकल रीझनिंग

. कृत्रिम बुद्धिमत्तेतील तार्किक युक्तिवादाचे एक उदाहरण म्हणजे एक तज्ञ संगणक प्रणाली जी मानवी तज्ञाच्या निर्णय घेण्याच्या क्षमतेचे अनुकरण करते.

5)

संभाव्य रीझनिंग

औपचारिक युक्तिवादाच्या संरचनेचे शोषण करण्यासाठी विक्षिप्त तर्कशक्तीच्या क्षमतेसह अनिश्चितता हाताळण्यासाठी संभाव्यता सिद्धांताची क्षमता एकत्र करणे परिणाम संभाव्य अनुप्रयोग क्षेत्रासह एक विपुल आणि अधिक अर्थपूर्ण औपचारिकता आहे.

6)

नियंत्रण सिद्धांत

समर्थक गुणधर्म असलेले नियंत्रक शोधण्याचा औपचारिक दृष्टीकोन आहे. यात सामान्यत: रोबोट किंवा विमान सारख्या भौतिक प्रणालीचे वर्णन करणार्‍या भिन्न समीकरणाची प्रणाली असते.

मशीन लर्निंग

मशीन लर्निंग हे कृत्रिम बुद्धिमत्तेचे एक उपसंच आहे. मग तरीही मशीन शिकणे काय आहे? जर कृत्रिम बुद्धिमत्ता संगणकास स्मार्ट बनविण्याचे उद्दीष्ट असेल तर. मशीन लर्निंग हा असा पवित्रा घेते की आपण संगणकावर डेटा द्यावा आणि संगणकास स्वतःच शिकू द्या. संगणक स्वत: साठी शिकू शकतील या कल्पनेला आर्थर सॅम्युअल यांनी १ 9. In मध्ये भविष्यवाणी केली.

मशीन लर्निंगला इतके महत्वाचे का बनवते? इंटरनेटच्या शोधामुळे कृत्रिम बुद्धिमत्तेमागील प्रेरणा म्हणून मशीन लर्निंगचा उदय होऊ शकला. इंटरनेट बर्‍याच प्रमाणात डिजिटल माहिती व्युत्पन्न केली जात आहे, संग्रहित केली आहे आणि विश्लेषणासाठी उपलब्ध करुन दिली आहे. जेव्हा आपण बिग डेटाबद्दल ऐकणे सुरू करता तेव्हा हे होते. आणि या सर्व बिग डेटाचा फायदा घेण्यासाठी मशीन लर्निंग अल्गोरिदम सर्वात प्रभावी आहेत.

मज्जासंस्था नेटवर्क

जर आपण मशीन लर्निंगबद्दल बोलत असाल तर मग मशीन लर्निंग अल्गोरिदम: न्यूरोल नेटवर्क्स या लोकप्रिय घटकांचा उल्लेख करणे योग्य आहे.

तंत्रिका नेटवर्क्स ही काही सर्वात यशस्वी मशीन लर्निंग अल्गोरिदमची एक महत्वाची तुकडी आहे. तंत्रिका नेटवर्क्सचा विकास हा मनुष्यांप्रमाणे जगाला विचार आणि समजून घेण्यासाठी संगणक शिकवण्याची गुरुकिल्ली आहे. मूलत:, एक मज्जातंतू नेटवर्क मानवी मेंदूचे अनुकरण करते. ब्रेन सेल्स किंवा न्यूरॉन्स Synapses मार्गे जोडलेले असतात. हे भारित कडा (synapses) द्वारे जोडलेले नोड्स (न्यूरॉन्स) चे ग्राफ म्हणून अ‍ॅबस्ट्रॅक्ट केले जाते. मज्जासंस्था नेटवर्क वर अधिक माहितीसाठी, मोकळ्या मनाने आमच्या वाचा

न्यूरल नेटवर्क्सचे विहंगावलोकन

.

या न्यूरल नेटवर्कमध्ये एक थर, तीन इनपुट आणि एक आउटपुट आहे. कोणत्याही न्यूरल नेटवर्कमध्ये असंख्य थर, इनपुट किंवा आउटपुट असू शकतात.

खोल शिक्षण

कृत्रिम बुद्धिमत्तेमागील मशीन लर्निंग अल्गोरिदम ही प्रेरक शक्ती आहे. आणि सर्व मशीन लर्निंग अल्गोरिदममधील सर्वात प्रभावी म्हणजे डीप लर्निंग.

डीप लर्निंगमध्ये संगणनाच्या अनेक स्तरांचा समावेश आहे. या प्रकरणात, “खोल” म्हणजे “मोठ्या” थरांचा संदर्भ. सखोल शिक्षण 20 स्तर किंवा 1000 स्तर असू शकते, परंतु कमीतकमी 2 किंवा 3 स्तरांपेक्षा जास्त असू शकते. नुकतीच डीप लर्निंगला गती मिळाली आहे, केवळ इंटरनेटद्वारे प्रदान केलेल्या मोठ्या प्रमाणात डेटामुळेच नाही तर गेल्या दशकात संगणकीय शक्ती वाढल्यामुळेही. विशेषतः, जीपीयूने समांतर संगणन सक्षम करून संगणकीय शक्ती वाढविली आहे. आपण अंदाज केला असेल म्हणून, डीप लर्निंग हे अत्यंत समांतर आहे.

या न्यूरल नेटवर्कला दोन स्तर आहेत, तीन इनपुट आणि एक आउटपुट. कोणत्याही न्यूरल नेटवर्कमध्ये असंख्य थर, इनपुट किंवा आउटपुट असू शकतात. इनपुट न्यूरॉन्स आणि आउटपुट न्यूरॉन्सचा शेवटचा थर यामधील थर खोल न्यूरल नेटवर्कचे लपलेले थर असतात.

दीप लर्निंगचे सर्वोत्कृष्ट प्रदर्शन म्हणजे डीप न्यूरल नेटवर्क (डीएनएन). दोन किंवा तीन थरांपेक्षा जास्त अंतराचे एक न्यूरल नेटवर्क म्हणजे फक्त न्यूरल नेटवर्क. तथापि, डीप लर्निंग अल्गोरिदमचा एकमेव प्रकार खोल नसलेले नेटवर्क नसतात - ते फक्त सर्वात लोकप्रिय आहे. आणखी एक डीप लर्निंग अल्गोरिदम म्हणजे डीप बिलीफ नेटवर्क (डीबीएन). डीप बिलीफ नेटवर्कने काही स्तरांमधील कनेक्शन अज्ञात केले आहेत. याचा अर्थ असा की डीएनएन आणि डीबीएनची टोपोलॉजी परिभाषानुसार भिन्न आहे. डीबीएन मधील पुनर्निर्देशित स्तरांना प्रतिबंधित बोल्टझमान मशीन म्हणतात.

निष्कर्ष

या तिन्ही कल्पनांचा विचार करण्याचा एक मार्ग म्हणजे मशीन लर्निंग ही कृत्रिम बुद्धिमत्तेची मुख्य धार आहे. आणि डीप लर्निंग ही पठाणला काठाची धार आहे.


उत्तर 4:

ए 2 ए: इथे बरीच उत्तरे आहेत, परंतु मला तरीही उत्तर देण्यास सांगितले गेले आहे. मला असे वाटते की मागील उत्तरे आपल्याला पटकन पुरेसे सखोल शिकण्यास मदत करू शकत नाहीत.

6 तासांच्या आत हे कसे शिकणार?

मी त्यांच्या प्रसिद्ध मध्ये प्रोफेसर एरिक झिंग बरोबर शिकवत आहे

10-708 संभाव्य ग्राफिकल मॉडेल

अर्थात हा सेमिस्टर. आम्ही सर्व सखोल साहित्य तीन व्याख्यानात ठेवले: व्याख्यान 18 - व्याख्यान 20 (

80 मिनिटे x 3 = 4 तास

) आणि दोन पाठ

1 तास x 2 = 2 तास

)

ठीक आहे, येथे 6 तासांची योजना आहे, परंतु ही योजना कितपत वास्तविक आहे?

माझ्या पठणात, मी या संपूर्ण पेपरबद्दल बोलत होतो (

खोल शिक्षणाच्या उत्पत्तीवर

) एका तासाच्या आत. हा पेपर दुसर्‍या कोर्सच्या पाठ्यपुस्तकांपैकी एक असल्याचे दिसते ज्यासह मी अध्यापन सहाय्यक (

11-785 दीप लर्निंग लॅब

). हे संपूर्ण सेमेस्टर सामग्रीपैकी 2/3 समाविष्ट करते.

तर, आपण एका तासाच्या आत सीएमयू डीप लर्निंग कोर्सचा सेमेस्टर शिकू शकता असे आपल्याला कसे वाटते?

निष्कर्ष: जर आपल्याला पटकन शिकायचे असेल तर आपण कधीही इतके खोलवर शिकणार नाही.


उत्तर 5:

पुस्तके:

मी जेफ हीटनच्या या पुस्तकाची शिफारस करेन

सखोल शिक्षण आणि न्यूरल नेटवर्क: जेफ हीटन: 9781505714340: Amazonमेझॉन डॉट कॉम: पुस्तके

. हे बरेच गणित असलेले एक काल्पनिक पुस्तक नाही परंतु आपल्याला सखोल शिक्षणाच्या मूलभूत संकल्पना समजून घ्यायच्या असतील तर मी जोरदारपणे याची शिफारस करतो. विज्ञान सामान्य प्रेक्षकांपर्यंत कसे पोहोचवायचे हे त्याचे एक चांगले उदाहरण आहे. पुढे, मी डॉ. कोक व्ही. ले ​​(Deep अँड्र्यू एनजीचे पीएचडी विद्यार्थी, दीप लर्निंगचे प्रणेते एक) याची शिफारस करतो.

https://cs.stanford.edu/~quocle/tutorial1.pdf

,

https://cs.stanford.edu/~quocle/tutorial2.pdf

आपण जर मशीन शिक्षणातील गणिताबद्दल आरामदायक असाल तर आपण डीप लर्निंग पुस्तक वाचू शकता

खोल शिक्षण

व्हिडिओ:

मला Google वर जेफ डीनची चर्चा आवडली.

मी अलीकडे हे पाहण्यास सुरवात केली. मी संपूर्ण मालिका पाहिली नाही परंतु सभ्य दिसते.

डीप न्यूरल नेट्सवरील जिओफ हिंटनचा अभ्यासक्रम:

मशीन लर्निंगसाठी तंत्रिका नेटवर्क - टोरोंटो युनिव्हर्सिटी | कोर्सेरा


उत्तर 6:

प्रथम मुलभूत गोष्टी शिकण्यास प्रारंभ करा

मशीन लर्निंग

. डीप लर्निंग हे मेंदूच्या रचनेत आणि कृतीतून कृत्रिम न्यूरल नेटवर्क्सद्वारे प्रेरित अल्गोरिदमांशी संबंधित मशीन लर्निंगचे सबफिल्ड आहे. जर आपण सखोल शिक्षणाच्या क्षेत्रात प्रारंभ करत असाल किंवा आपल्याला काही काळापूर्वी न्यूरल नेटवर्क्सचा काही अनुभव आला असेल तर आपण गोंधळात पडू शकता. उच्च स्तरीय संकल्पनांपासून प्रारंभ होण्यापासून व्यावहारिक खोल शिक्षण ऑनलाइन संसाधनांमध्ये उपलब्ध आहे ... म्हणूनच ही सर्वोत्तम आणि जलद शिक्षण प्रक्रिया आहे. ऑनलाइन कोर्समधून अधिक चांगले शिका .. मी तुम्हाला सर्वोत्कृष्ट कोर्स सुचवू शकतो…

सर्वोत्कृष्ट डीप लर्निंग ऑनलाईन कोर्सेस:

  • डीप लर्निंग एझेड ™: हँड्स-ऑन कृत्रिम न्यूरल नेटवर्क
  • अजगर आणि केराससह शून्य ते डीप लर्निंग
  • पायथनसह डीप लर्निंगसाठी टेन्सरफ्लोचे संपूर्ण मार्गदर्शक

पहिला कोर्स निवडा ..

या कोर्समधून आपण याबद्दल शिकू शकता:

कृत्रिम बुद्धिमत्ता वेगाने वाढत आहे. याबद्दल कोणतीही शंका नाही. सेल्फ-ड्रायव्हिंग कार लाखो मैलांची नोंद करीत आहेत, आयबीएम वॉटसन डॉक्टरांच्या सैन्यापेक्षा रूग्णांचे निदान करीत आहेत आणि गूगल डीपमिंडच्या अल्फागोने गो येथे वर्ल्ड चॅम्पियनला हरवले - जिथे अंतर्ज्ञान महत्त्वपूर्ण भूमिका बजावते.

परंतु पुढील एआय प्रगती केल्याने जितक्या समस्या सोडवण्याची आवश्यकता आहे तितक्या जटिल बनतात. आणि केवळ डीप लर्निंगच अशा जटिल समस्यांचे निराकरण करू शकते आणि म्हणूनच ते कृत्रिम बुद्धिमत्तेच्या केंद्रस्थानी आहे.

या कोर्समध्ये आम्ही सहा वास्तविक-जगातील आव्हाने सोडवू:

  • ग्राहक मंथनाच्या समस्येचे निराकरण करण्यासाठी कृत्रिम न्यूरल नेटवर्क
  • प्रतिमा ओळखण्यासाठी कन्व्होल्यूशनल न्यूरल नेटवर्क
  • स्टॉक किंमतींचा अंदाज लावण्यासाठी वारंवार न्यूरल नेटवर्क
  • फसवणूकीची तपासणी करण्यासाठी स्वत: चे आयोजन नकाशे
  • बोल्टझमान मशीन एक शिफारसकर्ता प्रणाली तयार करण्यासाठी

आणि देखील..

  • कृत्रिम न्यूरल नेटवर्कमागील अंतर्ज्ञान समजून घ्या
  • कृतीत कृत्रिम न्यूरल नेटवर्क लागू करा
  • कॉन्व्होल्यूशनल न्यूरल नेटवर्कमागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये कन्व्होल्यूशनल न्यूरल नेटवर्क लागू करा
  • रिकरंट न्यूरल नेटवर्कमागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये वारंवार न्यूरल नेटवर्क लागू करा
  • स्वयं-संयोजित नकाशेमागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये स्वयं-आयोजन नकाशे लागू करा
  • बोल्टझ्मन मशीन्समागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये बोल्टझ्मन मशीन्स लागू करा
  • ऑटोइन्कोडर्समागील अंतर्ज्ञान समजून घ्या

अतिरिक्त ऑनलाइन अभ्यासक्रम:

  • दीप शिक्षण - खोल शिक्षण विशेषीकरण
  • डीप लर्निंग - न्यूरल नेटवर्क आणि डीप लर्निंग

सर्व सर्वोत्तम….


उत्तर 7:

मला वाटते की मार्केटमध्ये खालील कोर्स हा एक उत्तम कोर्स उपलब्ध आहे जो तुम्ही लवकरच डीप लर्निंग शिकण्यासाठी घेऊ शकता. या कोर्सद्वारे आपण काय शिकू या ते पाहूया-

आपण काय शिकाल?

  • कृत्रिम न्यूरल नेटवर्कमागील अंतर्ज्ञान समजून घ्या
  • कृतीत कृत्रिम न्यूरल नेटवर्क लागू करा
  • कॉन्व्होल्यूशनल न्यूरल नेटवर्कमागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये कन्व्होल्यूशनल न्यूरल नेटवर्क लागू करा
  • रिकरंट न्यूरल नेटवर्कमागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये वारंवार न्यूरल नेटवर्क लागू करा
  • स्वयं-संयोजित नकाशेमागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये स्वयं-आयोजन नकाशे लागू करा
  • बोल्टझ्मन मशीन्समागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये बोल्टझ्मन मशीन्स लागू करा
  • ऑटोइन्कोडर्समागील अंतर्ज्ञान समजून घ्या
  • सराव मध्ये AutoEncoders लागू करा

कोर्स लिंक-

डीप लर्निंग एझेड ™: हॅन्ड्स-ऑन कृत्रिम तंत्रिका नेटवर्क | पायथनमध्ये डीप लर्निंग अल्गोरिदम तयार करण्यास शिका

दोन मशीन लर्निंग आणि डेटा सायन्स तज्ज्ञांकडून पायथॉनमध्ये डीप लर्निंग अल्गोरिदम तयार करण्यास शिका. टेम्पलेट्स समाविष्ट

कोर्स इन्स्ट्रक्टर द्वारा अभ्यासक्रम वर्णन-

कृत्रिम बुद्धिमत्ता वेगाने वाढत आहे. याबद्दल कोणतीही शंका नाही. सेल्फ-ड्रायव्हिंग कार लाखो मैलांची नोंद करीत आहेत, आयबीएम वॉटसन डॉक्टरांच्या सैन्यापेक्षा रूग्णांचे निदान करीत आहेत आणि गूगल डीपमिंडच्या अल्फागोने गो येथे वर्ल्ड चॅम्पियनला हरवले - जिथे अंतर्ज्ञान महत्त्वपूर्ण भूमिका बजावते.

परंतु पुढील एआय प्रगती केल्याने जितक्या समस्या सोडवण्याची आवश्यकता आहे तितक्या जटिल बनतात. आणि केवळ डीप लर्निंगच अशा जटिल समस्यांचे निराकरण करू शकते आणि म्हणूनच ते कृत्रिम बुद्धिमत्तेच्या केंद्रस्थानी आहे.

--- डीप लर्निंग एझेड का? ---

येथे दीप लर्निंग एझेड ™ खरोखर वेगळी आहे असे आम्हाला वाटणारी पाच कारणे आहेत आणि इतर प्रशिक्षण कार्यक्रमांच्या गर्दीतून तेथे उभे आहेत:

1. रॉबस्ट स्ट्रक्चर

आम्ही लक्ष केंद्रित केलेली पहिली आणि सर्वात महत्वाची गोष्ट म्हणजे कोर्सला एक मजबूत रचना देणे. डीप लर्निंग हे खूप व्यापक आणि गुंतागुंतीचे आहे आणि या चक्रव्यूह नेव्हिगेट करण्यासाठी आपल्याला त्याबद्दल स्पष्ट आणि जागतिक दृष्टी आवश्यक आहे.

म्हणूनच आम्ही प्रशिक्षणांना दोन खंडांमध्ये गटबद्ध केले, जे डीप लर्निंगच्या दोन मूलभूत शाखांचे प्रतिनिधित्व करतात: पर्यवेक्षित डीप लर्निंग आणि अनसप्रव्हिझाइड डीप लर्निंग. प्रत्येक व्हॉल्यूम तीन भिन्न अल्गोरिदमांवर लक्ष केंद्रित करून, आम्हाला आढळले की दीप लर्निंगमध्ये महारत मिळविण्यासाठी ही सर्वोत्कृष्ट रचना आहे.

२. अंतर्ज्ञान शिकवण्या

बरेचसे अभ्यासक्रम आणि पुस्तके आपल्यावर फक्त सिद्धांत आणि गणित आणि कोडींगचा भडिमार करतात ... परंतु ते कदाचित सर्वात महत्त्वाचा भाग समजावून सांगायला विसरतात:

आपण जे करत आहात ते का करत आहात.

आणि हा कोर्स इतका वेगळा आहे. आम्ही अंतर्ज्ञानी विकसित करण्यावर लक्ष केंद्रित करतो

* वाटत *

डीप लर्निंग अल्गोरिदमच्या मागे संकल्पनांसाठी.

आमच्या अंतर्ज्ञान ट्यूटोरियलसह आपल्याला विश्वास असेल की आपणास सहज स्वरूपाच्या पातळीवरील सर्व तंत्रे समजली आहेत. आणि एकदा आपण हँड्स-ऑन कोडिंग व्यायामाकडे पुढे गेल्यानंतर आपला अनुभव किती अधिक अर्थपूर्ण असेल हे आपण स्वतःस पहाल. हा गेम चेंजर आहे.

C. अतिरीक्त प्रकल्प

आपण जास्त वापरल्या जाणार्‍या, कालबाह्य डेटा संचाच्या आधारे अभ्यासक्रमांनी कंटाळला आहात का?

होय? बरं मग आपण उपचारांसाठी आहात.

या वर्गाच्या आत आम्ही रिअल-वर्ल्ड डेटासेटवर कार्य करू, रिअल-वर्ल्ड व्यवसाय समस्या सोडवण्यासाठी. (निश्चितपणे कंटाळवाण्या आयरिस किंवा अंक वर्गीकरण डेटासेट आपण प्रत्येक कोर्समध्ये पाहत नाही). या कोर्समध्ये आम्ही सहा वास्तविक-जगातील आव्हाने सोडवू:

  • ग्राहक मंथनाच्या समस्येचे निराकरण करण्यासाठी कृत्रिम न्यूरल नेटवर्क
  • प्रतिमा ओळखण्यासाठी कन्व्होल्यूशनल न्यूरल नेटवर्क
  • स्टॉक किंमतींचा अंदाज लावण्यासाठी वारंवार न्यूरल नेटवर्क
  • फसवणूकीची तपासणी करण्यासाठी स्वत: चे आयोजन नकाशे
  • बोल्टझमान मशीन्स रिकॉमेन्डर सिस्टम तयार करण्यासाठी
  • नेटफ्लिक्स $ 1 दशलक्ष डॉलर्सच्या बक्षीससाठी आव्हान स्वीकारण्यासाठी स्टॅक केलेले ऑटोएनकोडर *

* स्टॅक केलेले ऑटोनकोडर्स डीप लर्निंगमधील एक नवीन तंत्र आहे जे दोन वर्षांपूर्वी अस्तित्वात नव्हते. आम्ही ही पद्धत पुरेशी खोलीत इतर कोठेही पाहिली नाही.

A. हँड्स-ऑन कोडिंग

डीप लर्निंग एझेड In मध्ये आम्ही आपल्यासह कोड करतो. प्रत्येक व्यावहारिक ट्यूटोरियल रिकाम्या पृष्ठासह प्रारंभ होते आणि आम्ही कोड सुरवातीपासून लिहितो. या मार्गाने आपण अनुसरण करू शकता आणि कोड एकत्र कसा होतो आणि प्रत्येक ओळीचा अर्थ काय आहे हे समजून घेऊ शकता.

याव्यतिरिक्त, आम्ही हेतुपूर्वक हेतूपूर्वक अशा प्रकारे कोडची रचना करू जेणेकरुन आपण ते डाउनलोड करू आणि आपल्या स्वतःच्या प्रकल्पांमध्ये लागू करू शकाल. याव्यतिरिक्त, आम्ही आपला डेटासेट समाविष्ट करण्यासाठी कोठे आणि कसे कोड सुधारित करावे, आपल्या गरजेनुसार अल्गोरिदम तयार करण्यासाठी, त्यानंतरचे आउटपुट प्राप्त करण्यासाठी आम्ही चरण-दर-चरण स्पष्ट करतो.

हा एक असा कोर्स आहे जो स्वाभाविकच तुमच्या कारकीर्दीत वाढत जातो.

5. इन-कोर्स सपोर्ट

आपण कधीही कोर्स केला आहे किंवा पुस्तक वाचले आहे जिथे आपणास प्रश्न आहेत परंतु लेखकापर्यंत पोहोचू शकत नाहीत?

बरं, हा कोर्स वेगळा आहे. आम्ही हा ग्रह सर्वात विघटनकारी आणि शक्तिशाली डीप लर्निंग कोर्स करण्यासाठी पूर्णपणे वचनबद्ध आहोत. जेव्हा आपल्याला आमच्या मदतीची आवश्यकता असते तेव्हा सतत तिथे असणे ही एक जबाबदारी येते.

खरं तर, आम्हाला शारीरिकदृष्ट्या देखील खाण्याची आणि झोपेची आवश्यकता असल्याने आम्हाला मदत करण्यासाठी आम्ही व्यावसायिक डेटा शास्त्रज्ञांची टीम तयार केली आहे. जेव्हा आपण एखादा प्रश्न विचारता तेव्हा आपणास जास्तीत जास्त 48 तासांच्या आत प्रतिसाद मिळेल.

आपली क्वेरी कितीही क्लिष्ट असली तरीही आम्ही तिथे असू. आपण यशस्वी व्हावे अशी आमची इच्छा आहे.

--- साधने ---

दीप लर्निंगसाठी टेन्सोरफ्लो आणि पायटोरच ही दोन सर्वात लोकप्रिय ओपन-सोर्स लायब्ररी आहेत. या कोर्समध्ये आपण दोघेही शिकाल!

टेन्सरफ्लो Google द्वारे विकसित केले गेले होते आणि त्यांच्या स्पीच रिकग्निशन सिस्टममध्ये नवीन Google फोटो प्रोडक्ट, जीमेल, गूगल सर्च आणि बरेच काही वापरले जाते. टेन्सरफ्लो वापरणार्‍या कंपन्यांमध्ये एअरबीएनबी, एअरबस, एबे, इंटेल, उबर आणि आणखी अनेक डझन्यांचा समावेश आहे.

पायटोर्च तितकेच सामर्थ्यवान आहे आणि एनव्हीडिया आणि आघाडीच्या विद्यापीठांमधील संशोधकांनी विकसित केले आहेः स्टॅनफोर्ड, ऑक्सफोर्ड, पॅरिसटेक. पायटोर्च वापरणार्‍या कंपन्यांमध्ये ट्विटर, सेलफोर्स आणि फेसबुकचा समावेश आहे.

मग काय चांगले आणि कशासाठी आहे?

बरं, या कोर्समध्ये आपणास दोघांशीही काम करण्याची आणि टेन्सॉरफ्लो कधी चांगला आहे आणि पायटॉर्च जाण्याचा मार्ग आहे याची समजून घेण्याची संधी मिळेल. संपूर्ण ट्यूटोरियल मध्ये आम्ही दोघांची तुलना करतो आणि आपल्याला काही टिप्स आणि कल्पना देतो ज्यावर विशिष्ट परिस्थितीत सर्वोत्कृष्ट कार्य होऊ शकते.

मनोरंजक गोष्ट म्हणजे ही दोन्ही लायब्ररी केवळ 1 वर्षाच्या जुन्या आहेत. या कोर्समध्ये आम्ही आपल्याला सर्वात अत्याधुनिक डीप लर्निंग मॉडेल्स आणि तंत्रे शिकवितो तेव्हाच आमचे म्हणणे असे होते.

--- अधिक साधने ---

थियानो

आणखी एक मुक्त स्त्रोत खोल शिक्षण ग्रंथालय आहे. हे त्याच्या कार्यक्षमतेत टेन्सरफ्लोसारखेच आहे, परंतु तरीही आम्ही ते कव्हर करू.

केरास

डीप लर्निंग मॉडेल्सची अंमलबजावणी करण्यासाठी एक अविश्वसनीय लायब्ररी आहे. हे थियानो आणि टेन्सरफ्लोसाठी रॅपर म्हणून कार्य करते. केरास धन्यवाद, आम्ही केवळ काही ओळींच्या कोडसह शक्तिशाली आणि जटिल डीप लर्निंग मॉडेल तयार करू शकतो. यामुळे आपण काय तयार करीत आहात याविषयी आपल्याला जागतिक दृष्टी घेण्याची अनुमती मिळेल. आपण जे काही करता ते या लायब्ररीचे इतके स्पष्ट आणि संरचित धन्यवाद दिसेल की आपण काय करीत आहात त्याबद्दल आपल्याला अंतर्ज्ञान आणि अंतर्ज्ञान खरोखर प्राप्त होईल.

--- आणखी साधने ---

विज्ञान-शिकणे

सर्वात व्यावहारिक मशीन लर्निंग लायब्ररी. आम्ही प्रामुख्याने त्याचा वापर करू:

  • के-फोल्ड क्रॉस प्रमाणीकरण, सर्वात संबंधित तंत्राने आमच्या मॉडेल्सच्या कामगिरीचे मूल्यांकन करण्यासाठी
  • प्रभावी पॅरामीटर ट्यूनिंगसह आमची मॉडेल्स सुधारित करण्यासाठी
  • आमच्या डेटाची पूर्वप्रक्रिया करण्यासाठी, जेणेकरुन आमची मॉडेल्स चांगल्या परिस्थितीत शिकू शकतील

आणि नक्कीच, आम्हाला नेहमीच्या संशयितांचा उल्लेख करावा लागेल. हा संपूर्ण कोर्स पायथॉनवर आधारित आहे आणि प्रत्येक विभागात तुम्हाला व्यावहारिक कोडिंगचा तास आणि अनमोल हात मिळतील.

तसेच, संपूर्ण कोर्समध्ये आम्ही उच्च गणनेसाठी आणि उच्च आयामी अ‍ॅरे, मॅटप्लोट्लिब आणि अंतर्ज्ञानी चार्ट तयार करण्यासाठी मॅन्डप्लॉलीब आणि डेटाबेस सर्वात कार्यक्षमतेने आयात करण्यासाठी हाताळण्यासाठी वापरणार आहोत.

--- हा कोर्स कोणासाठी आहे? ---

जसे आपण पाहू शकता की डीप लर्निंगच्या जागी बर्‍याच प्रकारची साधने उपलब्ध आहेत आणि या कोर्समध्ये आम्ही तुम्हाला सर्वात महत्वाचे आणि सर्वात पुरोगामी दाखवण्याचे सुनिश्चित करतो जेणेकरुन जेव्हा आपण डीप लर्निंग एझेड पूर्ण केले ™ तेव्हा तुमची कौशल्ये चालू असतील आजच्या तंत्रज्ञानाची मुख्य धार.

आपण नुकतीच डीप लर्निंग सुरू करत असल्यास,

तर तुम्हाला हा कोर्स अत्यंत उपयुक्त वाटेल. डीप लर्निंग एझेड special विशेष कोडींग ब्लूप्रिंट पध्दतींच्या आसपास रचलेला आहे ज्याचा अर्थ असा आहे की आपण अनावश्यक प्रोग्रामिंग किंवा गणितातील अडचणींमध्ये अडकणार नाहीत आणि त्याऐवजी आपण अगदी सुरुवातीपासूनच डीप लर्निंग तंत्र वापरत असाल. आपण आपले ज्ञान तळापासून तयार कराल आणि प्रत्येक ट्यूटोरियलद्वारे आपण अधिक आणि अधिक आत्मविश्वास कसा वाढत आहात हे पहाल.

आपल्याकडे आधीपासूनच डीप लर्निंगचा अनुभव असल्यास,

आपल्याला हा कोर्स रिफ्रेशिंग, प्रेरणादायक आणि खूप व्यावहारिक दिसेल. डीप लर्निंग एझेड-इनच्या आत तुम्ही काही अत्याधुनिक डीप लर्निंग अल्गोरिदम आणि तंत्र (ज्यापैकी काही वर्षापूर्वी अस्तित्त्वातही नव्हती) मास्टर कराल आणि या कोर्सच्या माध्यमातून तुम्हाला बरीच मौल्यवान हँड्स-ऑन अनुभव मिळेल. वास्तविक जगातील व्यवसाय आव्हाने. शिवाय, आत आपणास नवीन दीप शिक्षण कौशल्ये आणि अनुप्रयोग एक्सप्लोर करण्यासाठी प्रेरणा मिळेल.

--- रिअल-वर्ल्ड केस स्टडीज ---

डीप लर्निंगमध्ये महारत घेणे केवळ अंतर्ज्ञान आणि साधने जाणून घेण्यासारखे नाही, तर वास्तविकपणे जागतिक परिस्थितींमध्ये या मॉडेल्सचा उपयोग करण्यास सक्षम असणे आणि व्यवसाय किंवा प्रकल्पासाठी वास्तविक मोजण्यासाठी योग्य परिणाम मिळवणे देखील आहे. म्हणूनच या कोर्समध्ये आम्ही सहा रोमांचक आव्हाने सादर करीत आहोत.

# 1 मंथन मॉडेलिंग समस्या

या भागामध्ये आपण बँकेसाठी डेटा ticsनालिटिक्स आव्हान सोडवत आहात. आपल्याला बँकेच्या ग्राहकांच्या मोठ्या नमुन्यासह एक डेटासेट दिला जाईल. हा डेटासेट तयार करण्यासाठी बँकेने ग्राहक आयडी, क्रेडिट स्कोअर, लिंग, वय, कार्यकाळ, शिल्लक, जर ग्राहक सक्रिय असेल तर क्रेडिट कार्ड इत्यादीची माहिती गोळा केली. 6 महिन्यांच्या कालावधीत बँकेने हे पाहिले की ग्राहक बँकेत राहिले किंवा राहिले.

वर दिलेली भौगोलिक-लोकसंख्याशास्त्रीय आणि व्यावहारिक माहितीच्या आधारे एखादी कृत्रिम न्यूरल नेटवर्क बनविणे हे आपले लक्ष्य आहे, जर कोणताही वैयक्तिक ग्राहक बँक सोडेल किंवा राहू शकेल (ग्राहक मंथन) याव्यतिरिक्त, आपल्याला बँकेच्या सर्व ग्राहकांच्या सोडण्याच्या संभाव्यतेच्या आधारावर रँक करण्यास सांगितले जाते. हे करण्यासाठी, आपल्याला योग्य डीप लर्निंग मॉडेल वापरण्याची आवश्यकता असेल, एक संभाव्य दृष्टिकोनावर आधारित आहे.

आपण या प्रकल्पात यशस्वी झाल्यास आपण बँकेत महत्त्वपूर्ण मूल्य तयार कराल. आपले डीप लर्निंग मॉडेल लागू करून बँक ग्राहकांच्या मंथनात लक्षणीय घट करू शकते.

# 2 प्रतिमा ओळख

या भागात, आपण एक कन्व्होल्यूशनल न्यूरल नेटवर्क तयार कराल जे प्रतिमांमधील विविध ऑब्जेक्ट्स शोधण्यात सक्षम आहे. आम्ही चित्राच्या संचामध्ये मांजर किंवा कुत्रा ओळखण्यासाठी हे डीप लर्निंग मॉडेल लागू करू. तथापि, या मॉडेलचा आणखी काहीही शोधण्यासाठी पुन्हा वापर केला जाऊ शकतो आणि इनपुट फोल्डरमधील चित्रे बदलून आम्ही ते कसे करावे हे आम्ही आपल्याला दर्शवू.

उदाहरणार्थ, आपण मेंदूच्या प्रतिमांच्या सेटवर त्याच मॉडेलला प्रशिक्षित करण्यास सक्षम व्हाल, त्यात ट्यूमर आहे की नाही हे शोधण्यासाठी. परंतु आपण ते मांजरी आणि कुत्र्यांना फिट ठेवू इच्छित असल्यास आपण आपल्या मांजरीचे किंवा आपल्या कुत्र्याचे फोटो अक्षरशः घेण्यास सक्षम व्हाल आणि आपल्याकडे कोणते पाळीव प्राणी आहे हे आपल्या मॉडेलचा अंदाज येईल. आम्ही हेडेलिनच्या कुत्र्यावरही त्याची चाचणी घेतली.

# 3 स्टॉक किंमतीची भविष्यवाणी

या भागात, आपण सर्वात शक्तिशाली डीप लर्निंग मॉडेल तयार कराल. आम्ही अगदी जवळ असे सांगत जाऊ की आपण जवळील डीप लर्निंग मॉडेल तयार कराल

“कृत्रिम बुद्धिमत्ता”

. अस का? कारण या मॉडेलची आपल्यासारखीच दीर्घकालीन स्मृती असेल.

याची सोय करणारी डीप लर्निंगची शाखा म्हणजे रिक्यंट न्यूरल नेटवर्क. क्लासिक आरएनएनची स्मरणशक्ती कमी आहे आणि या अचूक कारणासाठी ते लोकप्रिय किंवा शक्तिशाली नव्हते. परंतु रिकरंट न्यूरल नेटवर्कमध्ये नुकत्याच झालेल्या मोठ्या सुधारणेमुळे एलएसटीएम (लॉन्ग शॉर्ट टर्म मेमरी आरएनएन) ची लोकप्रियता वाढली ज्याने खेळण्याचे मैदान पूर्णपणे बदलले आहे. या अत्याधुनिक सखोल पद्धती आपल्या अभ्यासक्रमात समाविष्ट करण्यासाठी आम्ही अत्यंत उत्साही आहोत!

या भागात आपण हे अल्ट्रा-पॉवरफुल मॉडेल कसे अंमलात आणावे हे शिकाल आणि वास्तविक Google स्टॉक किंमतीचा अंदाज लावण्यासाठी आम्ही ते वापरण्याचे आव्हान घेऊ. असेच आव्हान स्टॅनफोर्ड विद्यापीठाच्या संशोधकांना यापूर्वीही सामोरे जावे लागले आहे आणि त्यांच्याइतकेच चांगले कार्य करण्याचे आमचे लक्ष्य आहे.

# 4 फसवणूक शोध

मार्केट्स अँड मार्केट्सने प्रकाशित केलेल्या नुकत्याच झालेल्या अहवालानुसार सन २०२१ पर्यंत फसवणूक शोध आणि प्रतिबंध बाजारपेठाची किंमत .1$.१ USD अब्ज डॉलर्स होणार आहे. हा एक प्रचंड उद्योग आहे आणि प्रगत डीप लर्निंग कौशल्यांची मागणी केवळ वाढणार आहे. म्हणूनच आम्ही या केस स्टडीचा अभ्यासक्रमात समावेश केला आहे.

हा वॉल्यूम 2 ​​चा पहिला भाग आहे - अनसप्रेशिव्ह डीप लर्निंग मॉडेल्स. येथे व्यवसाय आव्हान क्रेडिट कार्ड अनुप्रयोगांमधील फसवणूक शोधण्याबद्दल आहे. आपण बँकेसाठी सखोल शिक्षण मॉडेल तयार करीत आहात आणि आपल्याला एक डेटासेट देण्यात आला आहे ज्यात प्रगत क्रेडिट कार्डसाठी अर्ज करणार्या ग्राहकांची माहिती आहे.

हा डेटा आहे जो ग्राहकांनी अर्ज भरताना प्रदान केला. आपले कार्य या अनुप्रयोगांमधील संभाव्य फसवणूक शोधणे आहे. याचा अर्थ असा की आव्हानाच्या शेवटी, आपण त्यांच्या ग्राहकांवर संभाव्य फसवणूक करणार्या ग्राहकांची स्पष्ट यादी तयार केली.

# 5 आणि 6 शिफारसर प्रणाल्या

अ‍ॅमेझॉन प्रॉडक्ट सल्ल्यांपासून नेटफ्लिक्स मूव्हीच्या शिफारसींपर्यंत - आजच्या जगात चांगली शिफारस करणारी यंत्रणा खूप मोलाची आहेत. आणि तज्ञ जे त्यांना तयार करु शकतात ते हे ग्रहातील काही अव्वल-पेड डेटा वैज्ञानिक आहेत.

आम्ही नेटफ्लिक्स डेटासेट सारखीच वैशिष्ट्ये असलेल्या डेटासेटवर कार्य करू: भरपूर चित्रपट, हजारो वापरकर्ते, ज्यांनी त्यांनी पाहिलेले चित्रपट रेट केले आहेत. रेटिंग 1 ते 5 पर्यंत अगदी नेटफ्लिक्स डेटासेट प्रमाणेच आहे जी रेटिंग्स फक्त “आवडली” किंवा “आवडली नाही” अशी तुलना करता शिफारसर सिस्टम तयार करणे अधिक जटिल बनवते.

आपली अंतिम शिफारसकर्ता सिस्टम ग्राहकांनी पाहिलेल्या चित्रपटांच्या रेटिंगचा अंदाज लावण्यास सक्षम असेल. त्यानुसार, अंदाजे 5 ते 1 पर्यंतचे रँक करून आपले डीप लर्निंग मॉडेल प्रत्येक वापरकर्त्याने कोणते चित्रपट पहावे याची शिफारस करण्यास सक्षम असेल. अशी शक्तिशाली सल्लागार प्रणाली तयार करणे हे एक आव्हान आहे म्हणून आम्ही स्वतःला दोन शॉट्स देऊ. म्हणजे आम्ही हे दोन वेगवेगळ्या डीप लर्निंग मॉडेलसह तयार करू.

आमचे पहिले मॉडेल डीप बिलीफ नेटवर्क्स, जटिल बोल्टझ्मन मशीन्स असेल जे भाग 5. मध्ये समाविष्ट केले जातील. मग आमचे दुसरे मॉडेल शक्तिशाली ऑटोएनकोडर्स, माझे वैयक्तिक आवडीचे असेल. त्यांच्या साधेपणामधील फरक आणि ते सक्षम आहेत त्याबद्दल आपण कौतुक कराल.

आणि आपण ते स्वतःला किंवा आपल्या मित्रांवर देखील लागू करण्यास सक्षम असाल. चित्रपटांची यादी स्पष्ट होईल जेणेकरून आपण फक्त पहात असलेल्या चित्रपटांना रेट करणे आवश्यक आहे, डेटासेटमध्ये आपली रेटिंग इनपुट करणे, आपले मॉडेल चालविणे आणि व्होइला! नेटफ्लिक्सवर काय पहायचे याची कल्पना नसल्यास एके रात्री आपल्याला कोणते चित्रपट आवडतील हे आपल्याला सल्लागार यंत्रणा सांगेल!

--- सारांश ---

शेवटी, हा अंतर्ज्ञान ट्यूटोरियल, व्यावहारिक व्यायाम आणि वास्तविक-जागतिक प्रकरण अभ्यासांनी भरलेला एक रोमांचक प्रशिक्षण कार्यक्रम आहे.

आम्ही डीप लर्निंग बद्दल खूप उत्साही आहोत आणि आपल्याला वर्गात भेटण्याची आशा आहे!

किरील आणि हॅडेलिन

लक्ष्य प्रेक्षक कोण आहेत?

  • कोणालाही डीप लर्निंगमध्ये रस असेल
  • ज्या विद्यार्थ्यांचे गणितामध्ये किमान उच्च माध्यमिक ज्ञान आहे आणि ज्यांना डीप लर्निंग शिकण्याची इच्छा आहे
  • रेमिशनल रीग्रेशन किंवा लॉजिस्टिक रीग्रेशन यासारख्या शास्त्रीय अल्गोरिदम आणि आर्टिफिशियल न्यूरल नेटवर्क्स सारख्या अधिक प्रगत विषयांसह, परंतु ज्यांना त्याबद्दल अधिक जाणून घ्यायचे आहे आणि दीपच्या सर्व भिन्न फील्ड एक्सप्लोर करायच्या आहेत अशा मशीनी लर्निंग किंवा डीप लर्निंगची मूलतत्त्वे माहित असलेल्या दरम्यानचे स्तराचे कोणतेही लोक. शिकत आहे
  • कोडींग करण्यास इतका आरामदायक नसलेला परंतु डीप लर्निंगमध्ये रस असणारी आणि ती डेटासेटवर सहजपणे लागू करू इच्छित आहे
  • महाविद्यालयातील कोणतेही विद्यार्थी ज्यांना डेटा सायन्समध्ये करिअर सुरू करायचे आहे
  • डीप लर्निंगमध्ये स्तर मिळवू इच्छित असलेले कोणतेही डेटा विश्लेषक
  • कोणतेही लोक जे त्यांच्या नोकरीवर समाधानी नाहीत आणि ज्यांना डेटा सायंटिस्ट बनू इच्छित आहे
  • कोणतेही लोक ज्यांना शक्तिशाली डीप लर्निंग टूल्सचा वापर करून त्यांच्या व्यवसायात अतिरिक्त मूल्य तयार करायचे आहे
  • कोणतेही व्यवसाय मालक ज्यांना त्यांच्या व्यवसायात डीप लर्निंगच्या एक्स्पेंशियल तंत्रज्ञानाचा कसा फायदा घ्यावा हे समजू इच्छित आहे
  • कोणताही उद्योजक ज्याला उद्योगात व्यत्यय निर्माण होऊ इच्छित असेल तर सर्वात अत्याधुनिक एज डीप लर्निंग अल्गोरिदम वापरुन

आवश्यकता

  • फक्त काही हायस्कूल गणिताची पातळी

कोर्स लिंक-

डीप लर्निंग एझेड ™: हॅन्ड्स-ऑन कृत्रिम तंत्रिका नेटवर्क | पायथनमध्ये डीप लर्निंग अल्गोरिदम तयार करण्यास शिका