Вторая возможность для класса сверточных нейронных сетей


В этом триместре в Стэнфорде второй раз проводится курс, являющийся передовым в области машинного обучения и искусственного интеллекта. Он также доступен в Интернете для всех, кто хочет следить за ним, на этот раз с видео прямых лекций.

Вторая презентация CS231n: сверточные нейронные сети для визуального распознавания, также известной как ConvNet, началась 4 января, и на ее веб-сайте, где вы найдете полную программу, уже есть четыре часовых видео вместе со слайдами, заметками и другими ресурсами, включая Учебник по Python / Numpy.

Курс разработан сотрудниками Stanford Vision Lab. Первоначальная лекция, представляющая курс, была прочитана директором лаборатории Фей-Фей Ли, которая указала, что, поскольку она собиралась уходить в декретный отпуск, ее аспиранты Андрей Карпати и Джастин Джонсон возьмут на себя этот день. -сегодняшний ход курса.

Помимо сотрудничества в создании этого объекта, Kaparthy поддерживает несколько библиотек глубокого обучения, написанных на JavaScript, в том числе ConvNetJS, фреймворк, который привносит глубокие нейронные сети в ваш браузер, что IProgrammer приветствовал как «хорошую и очень полезную работу», когда мы сообщили в теме.

Основное внимание в этом курсе уделяется компьютерному зрению, и большая часть его предыстории и материалов взята из ImageNet Challenge, который будет знаком читателям I Programmer.

Согласно описанию курса:

Этот курс представляет собой глубокое погружение в детали архитектур глубокого обучения с акцентом на изучение сквозных моделей для этих задач, в частности классификации изображений. В течение 10-недельного курса студенты научатся внедрять, обучать и отлаживать свои собственные нейронные сети и получат подробное представление о передовых исследованиях в области компьютерного зрения. Последнее задание будет включать обучение сверточной нейронной сети с многомиллионными параметрами и применение ее к самому большому набору данных классификации изображений (ImageNet). Мы сосредоточимся на обучении постановке задачи распознавания изображений, алгоритмам обучения (например, обратному распространению), практическим инженерным приемам для обучения и точной настройки сетей, а также будем направлять студентов через практические задания и окончательный проект курса.

Он открывается для тех, кто находится за пределами Стэндфорда, как часть его цели – превратить его в исчерпывающий справочник по построению, обучению, пониманию и отладке CNN.

Хотя посторонние не получат оценку и не смогут сдать задания на оценку, их можно будет опробовать и посмотреть, что из этого получится. Существует также Reddit для обсуждения и ответов на вопросы всех участников и онлайн-студентов.

Один из вопросов в начале курса был о том, насколько это будет доступно «новичку в ML». Один респондент представил предварительные условия, изложенные в первой лекции:

Знание Python, некоторое знакомство с C / C ++ на высоком уровне

Все назначения классов будут на Python (и с использованием numpy), но некоторые из библиотек глубокого обучения, которые мы можем рассмотреть позже в классе, написаны на C ++.

Учебник по Python доступен на веб-сайте курса

Колледж Исчисление, Линейная алгебра

Эквивалентные знания CS229 (Машинное обучение)

Мы будем формулировать функции затрат, брать производные и выполнять оптимизацию с градиентным спуском.

Другой респондент рекомендовал первые лекции в МООК по машинному обучению Эндрю Нга на Coursera в качестве окончательного предварительного условия.


Добавить комментарий