[pluralsight] Грамотность глубокого обучения — практическое применение (2022)
Глубокое обучение является частью более широкого семейства методов машинного обучения, основанных на искусственных нейронных сетях с репрезентативным обучением. Обучение может быть контролируемым, полуконтролируемым или неконтролируемым
Этот путь ориентирован на глубокое обучение в действии. Мы привели ряд примеров, чтобы продемонстрировать, как глубокое обучение встроено в нашу повседневную жизнь. Это своего рода курсы, которые отражают путь от проблемы к решению.
Путь предназначен для энтузиастов данных, которые хотят узнать о глубоком обучении и попробовать себя в ролях, ориентированных на данные, таких как специалист по данным. Хотя этот путь будет содержать работоспособные решения, от учащегося не требуется иметь какой-либо опыт в машинном обучении или глубоком обучении. Намерение состоит в том, чтобы иметь песочницы для пути.
Список курсов
- Построить модель для обнаружения аномалий в данных временных рядов, Пратерт Падман
- Создайте механизм рекомендаций по рейтингу с совместной фильтрацией. Пратерт Падман.
- Создание модели обнаружения объектов с помощью Python Габриэль Давелаар
- Приложение глубокого обучения для финансов, автор Jaimin M.
- Приложение глубокого обучения для здравоохранения Колин Мэтьюз
- Приложение глубокого обучения для маркетинга, автор Нетта Цин
- Приложение глубокого обучения для розничной торговли Трент Макмиллан
- Внедрение подписей к изображениям с помощью рекуррентных нейронных сетей
- Реализовать распознавание изображений с помощью сверточной нейронной сети, Пратерт Падман
- Внедрение автозавершения текста с помощью LSTM Бисванат Гальдер
- Классификация настроений с помощью рекуррентных нейронных сетей Бисванат Гальдер
- Внедрение обработки естественного языка для встраивания слов Аксель Сирота
Опыт
- Понимание алгоритмов, используемых в пути. Хоть это и желательно, но не обязательно. Понимание ключевых понятий глубокого обучения.
Материал на английском языке
Подробнее:
Скачать: