TensorFlow Tutorials
1.0.0
Nous fournissons un code source qui vous permet de pratiquer TensorFlow étape par étape, des bases à l'application.
Il couvre la plupart du contenu du guide fourni sur le site officiel de TensorFlow et est beaucoup plus concis que le code source fourni sur le site officiel, vous pourrez donc facilement apprendre les concepts. De plus, tous les commentaires sont en coréen (!).
Cependant, comme l'accent était mis sur l'apprentissage des concepts de base de diverses techniques et modèles et sur la façon d'utiliser TensorFlow plutôt que sur une compréhension approfondie de la théorie et une mise en œuvre précise, veuillez considérer qu'il existe de nombreux domaines dans lesquels la mise en œuvre est insuffisante.
De plus, j'apprécierais que vous puissiez vous référer au code et aux commentaires afin de pouvoir le comprendre dans un flux séquentiel plutôt que de créer un beau code.
Grâce aux nombreuses personnes qui ont manifesté leur intérêt pour ce référentiel, j'ai organisé les annotations, ajouté des explications et publié un livre intitulé 『Golbin Hacker's 3-Minute Deep Learning』 (Hanbit Media, 2017).
Plutôt que d'approfondir la théorie, nous nous sommes concentrés sur l'apprentissage des concepts de base de divers modèles d'apprentissage profond et sur la manière d'utiliser TensorFlow de base. Par conséquent, je pense que cela sera particulièrement utile pour les développeurs qui débutent dans l’apprentissage profond/apprentissage automatique.
Bien sûr, c'est encore mieux pour la décoration. ^_^b
Oui24 | Librairie Kyobo | Aladdin
En tant que personne étudiant l'apprentissage profond, j'ai lu pas mal de livres originaux, de traductions nationales et de documents, mais je n'ai jamais rien vu qui explique les points clés d'une manière aussi concise et pratique. Alors que d'autres livres se limitent généralement à expliquer les modèles CNN, ce livre aborde les principaux modèles d'apprentissage profond, notamment RNN, DQN et autoencoder, avec des exemples pratiques, fournissant une bonne direction à ceux qui étudient l'apprentissage profond. Je recommande fortement ce livre comme un livre incontournable pour quiconque débute l'apprentissage en profondeur.
Byeong-wook Cho (Daehyeop Cho), ingénieur cloud de Google Corée, auteur de 『(Côté serveur de Daehyeop Cho) architecture de grande capacité et réglage des performances』
"L'intelligence artificielle est l'électricité d'une nouvelle ère." Le Dr Andrew Ng, la plus grande autorité mondiale en matière d'apprentissage profond, a exprimé comme suit la valeur future de l'IA après avoir quitté Baidu. Cela signifie que l’IA n’est plus une activité de recherche réservée à quelques scientifiques, mais est devenue une technologie que chacun peut utiliser confortablement dans la vie de tous les jours, comme l’électricité. En fait, ce livre explique bien que l’apprentissage profond, au cœur de l’IA, est une technologie électrique que tout le monde peut utiliser confortablement. CNN, la solution miracle de la reconnaissance d'images, GAN, la patate la plus chaude de 2016, RNN, représentant de la reconnaissance du langage naturel, et DQN du Deep Mind de Google représenté par AlphaGo... C'est une abréviation un peu difficile à première vue, mais comme vous parcourez lentement l'exemple de code de ce livre. Si vous suivez, n'importe qui pourra facilement comprendre ce que sont réellement les technologies représentant le domaine de l'intelligence artificielle grâce à des explications amicales. Après avoir lu le dernier chapitre de ce livre, je suis encore plus d’accord avec Andrew Ng. Je suis convaincu que ce livre sera un bon guide pour ceux qui souhaitent faire bon usage de l'électricité.
Park Sang-gil et Kakao, nouveau responsable du TF pour le développement de la recherche
Je pensais que je pourrais aborder l'apprentissage en profondeur d'une manière très amusante. Ce n'est ni trop léger ni trop académique. Je crois que le processus de création d'un code un par un et bien organisé sera une étape importante pour ceux qui sont nouveaux dans ce domaine.
Seo Min-gu, ingénieur logiciel de Google Corée, auteur de 『Data Processing & Analysis Practice Using R』
Explications détaillées centrées sur le code et concepts de base établis dans une terminologie simple ! Il s'agit d'un livre qui sert de guide aux développeurs qui ne sont pas conscients du deep learning lorsqu'ils se lancent dans la mer du deep learning. Je voudrais le recommander à ma femme qui est sur le point de se lancer dans le monde du deep learning !
Ha Jeong-woo, chef de l'équipe de recherche sur l'IA de Naver Clova
émis | Partager le SlideShare
Utilisons Inception, un modèle de réseau neuronal développé par Google et excellent pour la reconnaissance d'images.
Sans avoir à implémenter vous-même un modèle de réseau neuronal, vous pouvez immédiatement appliquer un programme avec un excellent taux de reconnaissance pour vous entraîner à utiliser vos propres données en écrivant simplement un simple script.
Pour plus d'informations, veuillez vous référer au document 11 - Inception/README.md.
Implémentons DQN, un apprentissage par renforcement utilisant le deep learning développé par DeepMind de Google, célèbre pour AlphaGo.
Cela peut paraître un peu compliqué, mais j'ai séparé les parties clés autant que possible, afin que vous puissiez suivre.
Pour plus d'informations, veuillez vous référer au document 12 - DQN/README.md.
Pour une théorie plus basique, veuillez vous référer aux cours et référentiels suivants.
~/.matplotlib/matplotlibrc et ajoutez le paramètre backend: TkAgg .
