Max Home IndustryFast.ai только что опубликовал продолжение своего бесплатного онлайн-курса «Практическое глубокое обучение для программистов». На продвинутом уровне Deep Learning from the Foundations также предоставляется бесплатно. Как складываются эти два курса?
Fast.ai был основан в прошлом году Джереми Ховардом и Рэйчел Томас и имеет слоган:
«миру нужны все, кто связан с искусственным интеллектом, независимо от того, насколько маловероятно ваше прошлое»
и имеет:
постоянное стремление предоставлять бесплатное, практичное и передовое образование для практиков и преподавателей глубокого обучения.
В настоящее время у него есть два курса, каждый по 15 часов. На вводном уровне «Практическое глубокое обучение для программистов», теперь это версия 3, требует минимальных знаний Python, математики средней школы, графического процессора и соответствующего программного обеспечения; скромный блокнот Jupyter для начинающих. Это справедливо и для его нового аналога Deep Learning from the Foundations, выпущенного 28 июня, с той разницей, что он немного мудрее в отношении работы Python и Deep Learning. Вам также необходимо научиться пользоваться более мощными серверными платформами, такими как Crestle, Gradient, Google Cloud и Microsoft Azure.
Часть 1 начинается с обучения методам обучения современной модели классификации изображений, а заканчивается построением и обучением нейронной сети «resnet» с нуля.
Используя PyTorch и библиотеку fastai в качестве инструментов, он охватывает следующие ключевые приложения:
Компьютерное зрение (например, классификация фотографий домашних животных по породам) Классификация изображений Локализация изображения (карты сегментации и активации) Ключевые точки изображения
НЛП (например, анализ настроений при просмотре фильмов) Языковое моделирование Классификация документов
Табличные данные (например, прогноз продаж) Категориальные данные Непрерывные данные
Совместная фильтрация (например, рекомендация фильмов)
Неплохо для вводного курса …
Во второй части мы рассмотрим более сложные концепции, начиная с умножения матриц и обратного распространения, до высокопроизводительного обучения со смешанной точностью и новейших архитектур нейронных сетей и методов обучения.
Инструменты по-прежнему включают PyTorch и fastai, но в конце вы также можете использовать Swift для TensorFlow.
В отличие от вводного, этот курс проходит за кулисами и исследует лежащую в основе теорию, лежащую в основе глубокого обучения. Опираясь на эти основы, студенты не только смогут построить современную модель глубокого обучения с нуля, но также смогут заново реализовать части библиотеки fastai. Часть 2 включает следующий материал:
Урок 8: Умножение матриц; вперед и назад пасы
Урок 9: Функции потерь, оптимизаторы и цикл обучения
Урок 10: Заглянем внутрь модели
Урок 11: API блока данных и универсальный оптимизатор
Урок 12: Продвинутые методы обучения; ULMFiT с нуля
Урок 13: Основы Swift для глубокого обучения
Урок 14: взаимодействие с C; Протоколы; Собираем все вместе
Важно отметить, что на протяжении всего курса заслуживают внимания исследовательские работы, такие как «Понимание сложности обучения нейронных сетей с глубокой прямой связью», «Углубляясь в выпрямители: превосходя показатели человеческого уровня по классификации ImageNet» или «Три механизма регуляризации снижения веса». исследуются и привлекаются. Но это еще не все. Курс постоянно обновляется, и ожидается, что в ближайшие месяцы будут добавлены новые уроки.
По мере того как ИИ становится все более и более распространенным, даже если его преподают в школах в рамках учебной программы «Искусственный интеллект для K-12», вам рано или поздно придется столкнуться с этим. Так почему бы не улучшить свое понимание того, как это работает, или даже не использовать его в своих собственных приложениях, просто присоединившись к этому простому и бесплатному курсу, альтруистически построенному как услуга сообществу и грядущим поколениям?