糖心vlog官网观看

Letzte Woche haben wir unsere Deep Learning-Grundlagen aufgebaut und etwas 眉ber Perceptrons und den Backprop-Algorithmus gelernt. Diese Woche lernen wir etwas 眉ber Optimierungsmethoden. Wir beginnen mit dem Stochastischen Gradientenabstieg (SGD). SGD verf眉gt 眉ber mehrere Design-Parameter, die wir anpassen k枚nnen, darunter Lernrate, Momentum und Decay. Dann werden wir uns fortgeschrittenen Gradientenabstiegsmethoden wie der Planung der Lernrate und dem Nesterov-Drehmoment zuwenden. Neben dem Vanilla Gradient Descent gibt es weitere Optimierungsalgorithmen wie AdaGrad, AdaDelta, RMSprop und Adam. Wir werden allgemeine Tipps zur Reduzierung der 脺beranpassung beim Training neuronaler Netze behandeln, einschlie脽lich Regularisierungsmethoden wie Dropout und Batch-Normalisierung. In dieser Woche werden Sie Ihr DL-Toolkit aufbauen und Erfahrungen mit der Python-Bibliothek Keras sammeln. Zu den Aufgaben in dieser Woche geh枚ren ein Quiz und ein Jupyter-Labornotizbuch mit einem begleitenden Peer Review. Diese Aufgabe ist Ihr letztes Jupyter-Labornotizbuch 蹿眉谤 diesen Kurs. In den n盲chsten drei Wochen werden Sie praktische Erfahrungen sammeln und w枚chentliche Miniprojekte durchf眉hren, die Kaggle-Herausforderungen beinhalten.

In diesem Modul lernen Sie einen Typ von neuronalen Netzen kennen, der sich 蹿眉谤 die Bildanalyse eignet: die Faltungsneuronalen Netze. Wir lernen etwas 眉ber Definitionen, Entwurfsparameter, Operationen, Hyperparameterabstimmung und Anwendungen. Diese Woche gibt es kein Jupyter-Labornotizbuch. Sie werden ein kurzes Quiz schreiben und an einem klinisch relevanten Kaggle-Challenge-Miniprojekt teilnehmen. Bei der Stadieneinteilung von Brustkrebs ist es von entscheidender Bedeutung, zu beurteilen, ob sich der Krebs auf den W盲chterlymphknoten ausgebreitet hat. Sie werden ein CNN-Modell erstellen, um zu klassifizieren, ob digitale Pathologiebilder zeigen, dass sich der Krebs auf die Lymphknoten ausgebreitet hat. Dieses Projekt verwendet den PCam-Datensatz, der eine 眉berschaubare Gr枚脽e hat. Die Autoren stellen fest, dass "Modelle leicht auf einer einzigen GPU in ein paar Stunden trainiert werden k枚nnen und konkurrenzf盲hige Ergebnisse erzielen W盲hrend Sie sich auf die Woche vorbereiten, sollten Sie sich die Rubrik ansehen und einen Plan entwickeln, wie Sie sie bearbeiten werden. Bei einem Projekt wie diesem m眉ssen Sie einen Zeitrahmen einhalten, der es Ihnen erlaubt, Experimente durchzuf眉hren. Es wird nicht erwartet, dass Sie das 脛quivalent eines Abschlussprojekts in eine einzige Woche packen oder dass Sie einen Spitzenplatz in der Rangliste erreichen m眉ssen, um eine gute Note 蹿眉谤 dieses Projekt zu erhalten. Hoffentlich haben Sie genug Zeit, um einige aufregende Ergebnisse zu erzielen, die Sie in Ihrem Portfolio vorzeigen k枚nnen.

In diesem Modul lernen Sie ein weiteres neuronales Netzwerk kennen, n盲mlich rekurrente neuronale Netze (RNNs) zur Verarbeitung sequentieller Daten. Bisher haben wir uns mit neuronalen Netzwerken mit Vorw盲rtskopplung besch盲ftigt, einschlie脽lich mehrschichtiger Perceptrons und CNNs. In biologischen Systemen k枚nnen Informationen jedoch r眉ckw盲rts und vorw盲rts flie脽en. RNNs f眉hren einen R眉ckw盲rtsdurchlauf durch, der den biologischen Systemen n盲her kommt. Die Verwendung von RNNs hat hervorragende Vorteile, insbesondere 蹿眉谤 Textdaten, da RNN-Architekturen die Anzahl der Parameter reduzieren. Wir werden uns mit den Problemen des verschwindenden und explodierenden Gradienten befassen, die bei der Arbeit mit Vanilla-RNNs auftreten k枚nnen, sowie mit Abhilfema脽nahmen 蹿眉谤 diese Probleme, einschlie脽lich GRU- und LSTM-Zellen. Diese Woche gibt es kein Quiz, aber ein Kaggle-Challenge-Miniprojekt 眉ber NLP mit Katastrophen-Tweets. Das Projekt ist ein Einstiegswettbewerb, der sich an Lernende richtet, die ihre Kenntnisse im Bereich des maschinellen Lernens ausbauen m枚chten. Die Herausforderung ist in einer Woche machbar, aber Sie sollten fr眉h anfangen, um Experimente durchzuf眉hren und ein wenig zu iterieren.

Dieses Modul konzentriert sich auf neuronale Netzwerkmodelle, die durch un眉berwachtes Lernen trainiert werden. Wir werden uns mit Autoencodern und GAN als Beispielen besch盲ftigen. Wir werden die Kuchenanalogie des ber眉hmten KI-Forschers Yann LeCun 蹿眉谤 Reinforcement Learning, Supervised Learning und Unsupervised Learning betrachten. 脺berwachtes Deep Learning hat enorme Erfolge erzielt, vor allem dank der Verf眉gbarkeit riesiger Datens盲tze wie ImageNet. Es ist jedoch teuer und schwierig, beschriftete Daten 蹿眉谤 Bereiche wie biomedizinische Bilder zu erhalten. Es besteht eine gro脽e Motivation, die Entwicklung von un眉berwachten Deep Learning-Ans盲tzen fortzusetzen, um eine F眉lle von unmarkierten Datenquellen nutzbar zu machen. Diese Woche ist die letzte Woche mit neuem Kursmaterial. Es gibt kein Quiz und kein Jupyter-Notebook-Labor. Generative adversarische Netzwerke (GANs) lernen, neue Daten mit denselben Statistiken wie die Trainingsdaten zu erzeugen. Diese Woche werden Sie ein letztes Kaggle-Miniprojekt abschlie脽en. Diesmal werden Sie mit der Erstellung eines Netzwerks experimentieren, das Bilder von Welpen generiert.