Kaynak: Xinzhiyuan
Bu makale hakkında 1000 Word, önerilen okuma 5 dakika.
Bu kursun içeriği, derin öğrenmenin temel içeriğinin yanı sıra yeni pekiştirmeli öğrenme, GAN vb. Konularını kapsar.
CMU'nun derin öğrenme sonbahar kursu başladı! Kursun ana eğitmeni CMU Bilgisayar Okulu'ndan Derin Öğrenme Daniel ve Bhiksha Raj'dır.Kurs içeriği, derin öğrenmenin temel içeriğini ve daha yeni pekiştirmeli öğrenme, GAN vb.
Derin öğrenme araştırması alanında CMU her zaman dünyanın ön saflarında yer almıştır ve kursları giriş materyalleri için neredeyse ilk tercihtir. Kursun slaytları ve videoları, kurs ilerledikçe kademeli olarak yayınlanacaktır. , Sistematik olarak öğrenmek ve derin öğrenmede ustalaşmak isteyen okuyucular bunu kaçırmamalı.
Kurs TanıtımıDerin sinir ağları tarafından temsil edilen "derin öğrenme" sistemleri, yeteneklerini dil anlama, konuşma ve görüntü tanıma, makine çevirisi, planlama ve hatta oyunlar ve otonom sürüş dahil olmak üzere çeşitli AI görevlerinde giderek daha fazla gösteriyor. Bu nedenle, derin öğrenmenin mesleki bilgisi giderek öngörülemeyen bir durumdan birçok ileri akademik problemde ustalaşılması gereken arka plan bilgisine dönüşmüştür ve derin öğrenme yetenekleri de iş piyasasında büyük bir avantaja sahiptir.
Bu derste, derin sinir ağlarının temellerini ve çeşitli AI görevlerindeki uygulamalarını öğreneceğiz. Kursun sonunda, öğrenciler ders konuları hakkında yeterli bir anlayışa sahip olacaklar ve derin öğrenmeyi çeşitli görevlere uygulayabilecekler. Öğrenciler ayrıca bu alandaki büyük miktarda güncel literatürü okuyacak ve daha fazla araştırma yoluyla mesleki bilgilerini genişleteceklerdir.
Bu kursta yer alan kavramlar kapsamlıdır. Öğrencilerin derin öğrenmenin temellerini anlamalarına yardımcı olacaktır. Kurs, MLP (Çok Katmanlı Algılayıcı) ile başlar ve yavaş yavaş dikkat modeli ve diziden diziye model gibi daha karmaşık kavramların derinlerine iner. Öğrencilerin, derin öğrenme modellerini uygulamak için çok önemli olan PyTorch'a tamamen hakim olmaları gerekir.
Bir öğrenci olarak, derin bir öğrenme modeli oluşturmak için gereken çeşitli araçları öğreneceksiniz. Ödev genellikle iki bölümden oluşur: Autolab ve Kaggle . Kaggle bölümü, birden fazla mimariyi keşfetmemize ve modeli nasıl ayarlayıp sürekli iyileştireceğimizi anlamamıza olanak tanır. Tüm görevlerin görevleri benzerdir ve aynı görevi çözmek için birden fazla derin öğrenme yönteminin nasıl kullanılacağını öğrenmek eğlencelidir. Genel olarak, bu kursun sonunda, derin öğrenme modellerini oluşturmak ve ayarlamak için yeterli güvene sahip olacaksınız.
Kurs öğretmeni: Bhiksha Raj (bhiksha@cs.cmu.edu) Öğretim asistanı: Ryan Brigden (rbrigden@andrew.cmu.edu) Raphael Franck Olivier (rolivier@andrew.cmu.edu) Sai Nihar Tadichetty (ntadiche@andrew.cmu.edu) Shubham Tripathi (shubhamt@andrew.cmu.edu) Soham Ghosh (sohamg @ andrew.cmu.edu) Madhura Das (madhurad@andrew.cmu.edu) Ipsita Prakash (iprakash@andrew.cmu.edu) Dhruv Shah (ddshah@andrew.cmu.edu) Shaden Shaar (sshaar@andrew.cmu.edu) ) David Zhang (davidz1@andrew.cmu.edu) Anushree Prasanna Kumar (apkumar@andrew.cmu.edu) Ahmed Shah (mshah1@andrew.cmu.edu) Jiawei Yang (jiaweiy@andrew.cmu.edu) Omar Khattab, Doha için (okhattab@cmu.edu) Kigali için Nebiyou Yismaw (nyismaw@andrew.cmu.edu) Önkoşullar1. Genel amaçlı bir araç seti (özellikle PyTorch) kullanacağız. Araç seti esas olarak kullanılır Python Programlama. En az bir dilde programlama yapabilmeniz gerekir. Veya programlama için tanıdık bir dil kullanabilirsiniz, ancak ilgili araç setini kendiniz bulmalı ve öğrenmelisiniz.
2. Temel bilgilere aşina olmanız gerekir Matematik (farklılaşma, zincir kuralı), doğrusal cebir ile Temel olasılık bilgisi .
Ders kitabıBu ders belirli bir ders kitabına göre yapılmayacak, ancak birçok materyal seçecektir. İlgili kitapları listeleriz ve her ünite için ilgili okuma materyallerine bağlantılar sağlarız. Öğrencilerin dersten önce bu materyallere aşina olmaları gerekir. Okuma materyali bazen anlaşılması güç olabilir ama merak etmeyin, sınıfta daha basit bir açıklama yapacağız.
Ders 1 (8.29):
Ders 2 (8.31):
Ders 3 (9.5):
Ders 4 (9.10):
Ders 5 (9.12):
Ders 6 (9.17):
Ders 7 (9.19):
Ders 8 (9.24):
Ders 9 (9.26):
Ders 10 (10.1):
Ders 11 (10.3):
Ders 12 (10.8):
Ders 13 (10.10):
Ders 14 (10.15):
Ders 15 (10.17):
Ders 16 (10.22):
Ders 17 (10.24):
Ders 18 (10.29):
Ders 18 (10.31):
Ders 19 (11.5):
Ders 20 (11.7):
Ders 21 (11.12):
Ders 22 (11.14):
Ders 23 (11.19):
Ders 24 (11.21):
Ders 25 (11.26):
Ders 26 (11.28):
Ders 27 (12.3):
Ders 28 (12.5):