Ai learn
1.0.0
Dibuat oleh Tang Yudi
Tujuan awal dari pengorganisasian proyek ini adalah untuk memfasilitasi siswa untuk segera memulai rencana belajar mandiri kecerdasan buatan, menghindari jalan memutar dalam proses pembelajaran, dan memulai AI secepat mungkin dan memulai proyek praktis dan proyek . Ini tidak online. Yang saya kumpulkan adalah kasus-kasus yang saya kembangkan dan kumpulkan selama lima tahun terakhir pengajaran online dan offline. Dapat dikatakan telah diperbarui berulang kali dan berulang-ulang, serta cocok untuk dipelajari dan dipraktikkan siswa selangkah demi selangkah. Siswa yang datang ke sini, ingatlah untuk mengklik bintang untuk menyimpannya!
Pada akhir tahun 2019, saya menerbitkan buku teks pendukung untuk kursus pembelajaran mesin "Pelajari Analisis Data Python dan Praktek Pembelajaran Mesin dengan Diego". Gayanya masih mudah dipahami . Untuk memfasilitasi lebih banyak siswa untuk memulai rencana belajar mereka dengan cepat, saya memutuskan untuk memberikan Anda versi elektronik buku ini secara gratis . Saya harap ini dapat membawa manfaat pembelajaran bagi semua orang! Anda dapat mengunduh versi PDF di beranda proyek ini. Jika Anda menyukai bahan ajarnya, Anda juga dapat membelinya dari JD.com.
Unduhan asli PDF "Pelajari analisis data Python dan praktik pembelajaran mesin dengan Diego" :
(Tautan disk jaringan: https://pan.baidu.com/s/19wzJeyPmwTBDp9ASEWBvFQ Kode ekstraksi: tece )
Katalog berikut adalah jalur pembelajarannya. Pemula disarankan untuk belajar sesuai urutan yang diberikan dalam katalog. Siswa yang sudah memulai dapat memilih sesuai dengan kesukaannya sendiri.
Data yang terlibat dalam kasus ini semuanya adalah kumpulan data nyata, dan beberapa akan berukuran cukup besar. Mengunggahnya secara langsung ke github akan sangat lambat untuk diunduh semua orang. Saya akan secara bertahap mengunggah tautan disk jaringan dari setiap modul, yang mencakup data, kode , PPT dan sumber belajar lainnya. Jika Anda membutuhkan penjelasan video pendukung, silakan tambahkan WeChat: digexiaozhushou (Pinyin dari Asisten Kecil Di Ge)
Jika Anda memiliki masalah kerjasama, komunikasi atau proyek dalam berbagai aspek, Anda dapat langsung menambahkan WeChat: digexiaozhushou (Pinyin dari Dige Assistant)
Untuk mempelajari kecerdasan buatan (ilmu data), Anda masih memerlukan beberapa keterampilan dasar. Yang paling dasar dan inti adalah Python dan matematika ! Tidak sulit bagi kedua bersaudara ini untuk memulai. Tidak apa-apa untuk menguasai dasar-dasarnya terlebih dahulu dan mempelajarinya sambil menggunakannya!
Jika Anda belum familiar dengan Python, saya sarankan Anda menonton kursus video pengantar Python saya untuk memulai dengan cepat! portal
Penjelasan paling langsung adalah semua orang menggunakannya! Dulunya adalah pemrograman berorientasi objek, tetapi kemudian orang lebih suka pemrograman salin dan tempel, dan sekarang mereka terlalu malas untuk memprogram untuk GitHub. Memang benar, Anda harus malas ketika Anda seharusnya malas, dan Python melakukan ini ! Semua konten praktis selanjutnya akan didasarkan pada Python, jadi Anda tidak punya pilihan!
Anaconda sudah cukup! Anaconda sudah cukup! Anaconda sudah cukup! Baiklah, saya sudah mengatakannya sebanyak tiga kali. Untuk penjelasan detailnya, langsung saja simak portal kursusnya di atas.
Toolkit ini berarti orang lain telah menulis semua fungsinya, dan kita dapat memanggilnya secara langsung dan selesai! Ada seperangkat alat yang sesuai untuk pemrosesan data, analisis, pemodelan, dll. Untuk mempelajarinya, tidak perlu menghafal tool kit ini. Anda harus membiasakan diri dengannya terlebih dahulu, dan Anda pasti perlu menggunakannya dan memeriksanya nanti.
| Nama perangkat | Ikhtisar fungsi |
|---|---|
| Numpy | Suatu keharusan untuk perhitungan matriks! Ini adalah inti dari semua penghitungan selanjutnya dan perangkat inti di bidang ilmu data. |
| Panda | Suatu keharusan untuk pemrosesan data! Membaca data, mengolah data, dan menganalisis data harus dilakukan olehnya! |
| Matplotlib | Visualisasi adalah suatu keharusan! Fungsinya sangat kuat. Tidak ada gambar yang tidak dapat digambar. Analisis dan tampilan mengandalkannya! |
| Yg keturunan dr laut | Alat visualisasi yang lebih sederhana! Satu baris kode memberi Anda tampilan visual hasilnya |
Siswa harus sangat menyadari betapa pentingnya matematika, khususnya di bidang kecerdasan buatan (data science). Sulit untuk melakukan apa pun tanpa mengetahui matematika. Banyak siswa yang bertanya kepada saya, apakah matematika bisa begitu banyak digunakan dalam pekerjaan ? Izinkan saya menjelaskan kepada Anda bahwa industri kecerdasan buatan berkembang sangat pesat. Dalam pekerjaan sebenarnya, Anda harus belajar sambil melakukannya. Itu pasti salah satu makalah yang beredar saat ini. Jika Anda bahkan tidak dapat memahami rumus matematika dasar, maka tidak perlu membicarakan tentang teknologi canggih. Siswa di bidang ini pasti memiliki ide ini. Yang disebut kecerdasan buatan hanyalah melakukan berbagai perhitungan matematis pada data!
Saya rasa Anda tidak perlu memulai dari awal dan menghabiskan banyak waktu untuk belajar selangkah demi selangkah. Misalnya saya dan rekan-rekan saya sudah melakukan ini sejak lama, entah sudah berapa kali belajar matematika. Saya telah memecahkan banyak pertanyaan berkali-kali, tetapi saya juga akan menghadapi masalah ini. Banyak poin pengetahuan yang akan cepat terlupakan jika saya tidak melihatnya untuk sementara waktu. Salah satu hal yang paling sering saya lakukan adalah mencari apapun yang saya gunakan. Proses pencarian sebenarnya adalah proses pembelajaran dan kemajuan. Disarankan agar Anda segera mempelajari poin-poin pengetahuan umum (matematika tingkat lanjut, linearitas, dasar-dasar teori probabilitas). Selama proses ini, jangan melihat berbagai proses pemecahan masalah, Anda juga tidak perlu khawatir tentang metode solusi spesifik Terus terang saja, cukup pahami apa fungsi rumus dan kegunaannya. Mirip dengan latihan di buku teks dan solusi di buku latihan, Anda tidak memerlukannya di masa mendatang pena untuk menghitung hal-hal merepotkan ini. Hemat waktu untuk belajar Algoritma lebih hemat biaya!
| Poin pengetahuan | isi | memengaruhi |
|---|---|---|
| Matematika Tingkat Lanjut | Dasar-dasar matematika tingkat lanjut, kalkulus, rumus Taylor dan Lagrange, | Penting untuk mendapatkan rumus pembelajaran mesin |
| aljabar linier | Dasar-dasar aljabar linier, nilai eigen dan dekomposisi matriks, | Diperlukan untuk solusi algoritma |
| teori probabilitas | Dasar-dasar teori probabilitas, variabel acak dan estimasi probabilitas, distribusi yang umum digunakan | Pembelajaran mesin sering menyebutkan kata-kata ini |
| Analisis statistik | Analisis regresi, pengujian hipotesis, analisis korelasi, analisis varians | Penting untuk analisis data |
Inti dari bidang kecerdasan buatan adalah pembelajaran mesin. Apa pun arah yang ingin Anda capai di masa depan, Anda harus mulai dengan pembelajaran mesin! Ada dua hal utama. Yang pertama adalah menguasai prinsip-prinsip algoritma klasik, dan yang kedua adalah mahir menggunakan toolkit Python untuk pemodelan praktis!
Apa yang perlu dipelajari tentang algoritma? Memahami bagaimana algoritma pembelajaran mesin beroperasi pada data untuk menyelesaikan proses pemodelan dan solusi. Terus terang, ini berarti memahami bagaimana matematika digunakan dalam algoritma. Yang penting adalah memahaminya! Jangan terus memikirkan suatu masalah, itu hanya membuang-buang waktu, dan Anda mungkin bisa menyelesaikannya dalam waktu singkat selama proses pembelajaran selanjutnya. Saya pikir Anda harus mempelajari algoritma lebih dari sekali, terutama bagi siswa yang sedang mempersiapkan wawancara kerja. Mempelajari algoritma dua atau tiga kali adalah hal yang normal (seorang teman sekelas pernah mengatakan kepada saya bahwa dia mempelajari kursus tersebut sebanyak 6 kali sebelum wawancara. )
Dengan pembelajaran mendalam, apakah pembelajaran mesin masih diperlukan?
Pembelajaran mendalam dapat dikatakan sebagai jenis algoritma pembelajaran mesin. Ini tidak berarti bahwa algoritma klasik lainnya tidak diperlukan dengan jaringan saraf. Algoritme yang paling tepat perlu dipilih berdasarkan tugas dan data yang berbeda pembelajaran mesin. Faktanya, sangat mudah untuk melihat jaringan saraf setelah menguasai algoritma klasik ini!
| Poin pengetahuan | isi | Ringkasan |
|---|---|---|
| Algoritma klasifikasi | Regresi logistik, pohon keputusan, mesin vektor pendukung, algoritma ansambel, algoritma Bayesian | Siswa yang mempersiapkan wawancara harus menguasai |
| Algoritma regresi | Regresi linier, pohon keputusan, algoritma ansambel | Beberapa algoritma dapat melakukan klasifikasi dan regresi |
| Algoritma pengelompokan | k-means, dbscan, dll. | Tanpa pengawasan hanya dipertimbangkan jika memang tidak ada label. |
| Algoritma reduksi dimensi | Analisis komponen utama, analisis diskriminan linier, dll. | Fokus pada pemahaman gagasan reduksi dimensi |
| Algoritma tingkat lanjut | Algoritma peningkatan GBDT, lightgbm, algoritma EM, model Markov tersembunyi | Siswa yang memiliki waktu dan energi dapat menantang algoritma tingkat lanjut |
Analisis dampak metode dan parameter pemodelan algoritme klasik terhadap hasil melalui eksperimen komparatif, dan pahami parameter serta contoh penerapan dalam algoritme melalui eksperimen dan tampilan visual.
| Nama kasus | Ikhtisar konten |
|---|---|
| Analisis eksperimental regresi linier | Kuasai regresi linier univariat dan berganda, metode regresi nonlinier, dan peran penalti regularisasi |
| Metode evaluasi model | Perbandingan metode evaluasi algoritma klasifikasi dan regresi yang umum digunakan, contoh segmentasi kumpulan data |
| Analisis eksperimental regresi logistik | Metode konstruksi model klasifikasi klasik, metode gambar batas pohon keputusan |
| Analisis eksperimental algoritma clustering | Contoh pemodelan tanpa pengawasan, metode evaluasi algoritme pengelompokan, contoh peran dan aplikasi tanpa pengawasan |
| Analisis eksperimental pohon keputusan | Contoh visualisasi model pohon dan metode konstruksi, klasifikasi dan aplikasi regresi model pohon |
| Analisis eksperimental algoritma terintegrasi | Contoh penerapan dan analisis efek metode integrasi, perbandingan strategi integrasi umum |
| Mendukung analisis eksperimental mesin vektor | SVM melibatkan parameter dan eksperimen perbandingan pemodelan |
| Analisis praktis aturan asosiasi | Poin pengetahuan penting dan contoh analisis pemodelan aturan asosiasi |
Untuk lebih memahami mekanisme algoritme, kami mereproduksi algoritme klasik dari awal, mematuhi prinsip tidak ada paket yang hilang, dan menyelesaikan semua modul yang diperlukan oleh algoritme selangkah demi selangkah.
Tujuan utamanya adalah untuk lebih memahami prinsip kerja algoritme, dan penekanannya adalah pada praktik! Siswa yang mempunyai waktu dapat memperbanyaknya sendiri, tetapi siswa yang mempunyai waktu terbatas tidak harus mengerjakannya sendiri.
| Nama kasus | Ikhtisar konten |
|---|---|
| Implementasi kode regresi linier | Fungsi algoritma pembuatan modul yang umum digunakan |
| Implementasi kode regresi logistik | Contoh interpretasi metode penerapan regresi logistik |
| Implementasi kode Kmeans | Algoritma tanpa pengawasan yang sangat sederhana dan mudah dipahami |
| Implementasi kode pohon keputusan | Model pohon sebenarnya merupakan implementasi rekursif |
| Implementasi kode jaringan saraf | Jumlah kodenya sedikit besar, jadi disarankan untuk mempelajari mode debug. |
| Implementasi kode Bayesian | Bayes masih lebih mudah dijelaskan dalam tugas teks |
| Implementasi kode aturan asosiasi | Algoritma analisis data yang umum digunakan |
| Bangun sistem rekomendasi musik | Bangun model sistem rekomendasi dari awal |
Dalam pertarungan sebenarnya, poin pengetahuan matematika mungkin melemah, karena sebagian besar waktu kita menggunakan tool kit yang sudah jadi untuk menyelesaikan tugas (package transfer man). Ada banyak fungsi hemat energi yang perlu dikuasai setiap orang di sini. Yang pertama adalah mahir menggunakan perangkat umum ini. Pemrosesan awal data, rekayasa fitur, penyesuaian parameter, dan verifikasi merupakan langkah-langkah inti. Singkatnya, proses dan rutinitas yang diperlukan untuk menyelesaikan tugas yang berbeda serupa, tetapi metode dan algoritme yang digunakan mungkin berbeda, sehingga setiap orang harus terus mengumpulkannya untuk memperkaya pengalaman praktis. Kasus-kasus yang diberikan kepada siswa ini dapat digunakan sebagai templat praktik mereka sendiri!
Hal yang paling penting adalah mempelajari cara melakukan praproses dan menganalisis data yang berbeda (nilai numerik, teks, gambar), dengan terampil menerapkan fungsi inti utama dalam perangkat untuk berpartisipasi dalam prapemrosesan, mengusulkan berbagai solusi untuk berbagai tugas, dan melakukan analisis eksperimental. Singkatnya, lakukan lebih banyak eksperimen dan lakukan lebih banyak pekerjaan praktis. Semakin banyak Anda menulis kode, Anda akan semakin mahir!
| Nama kasus | Ikhtisar konten |
|---|---|
| Algoritma K tetangga terdekat dalam praktiknya | Kasus pengantar pembelajaran mesin, penguasaan toolkit yang diterapkan pada metode pemodelan |
| Deteksi anomali data transaksi | Analisis terperinci dan perbandingan pemrosesan data dan strategi pemodelan sangat penting |
| Praktek pemodelan algoritma terintegrasi | Saya tidak perlu bicara lebih banyak tentang integrasi, ini adalah strategi inti yang harus dimiliki. |
| Prediksi suhu berdasarkan hutan acak | Random forest adalah algoritma yang paling umum digunakan dalam pembelajaran mesin |
| Praktek klasifikasi berita | Analisis dan pengolahan data teks, dan pemodelan praktis berdasarkan algoritma Bayesian |
| Analisis praktik pengelompokan | Contoh aplikasi tanpa pengawasan |
| analisis deret waktu | Metode produksi data deret waktu, pemodelan berdasarkan data deret waktu |
| Peringatan penghentian pengguna | Saya sering bilang pengguna Fantasy Westward Journey kalah, ini hanya DEMO |
| Gunakan lightgbm untuk prediksi lalu lintas hotel | Pembunuh besar lainnya, bahkan lebih buruk dari xgboost |
| Prakiraan Pendapatan Praktek Proyek Dataset Sensus | Templat inti, analisis data, visualisasi, dll. semuanya ada di sana. |
| Optimasi Bayesian dalam Praktek | Lebih sulit lagi, contoh penggunaan toolkit pengoptimalan Bayesian |
| Perbandingan metode fitur teks | Perbandingan metode ekstraksi fitur yang umum digunakan untuk data teks |
| Buatlah perangkat perkakas Anda sendiri | Buat tas Anda sendiri untuk bersenang-senang |
| Nama kasus | Ikhtisar konten |
|---|---|
| Aturan asosiasi praktis Python | Sangat mudah untuk menggunakan perangkat ini untuk membuat aturan asosiasi |
| Analisis dan Pemodelan Kumpulan Data Airbnb | Contoh analisis dan pemodelan kumpulan data harga perumahan |
| Sistem rekomendasi hotel berdasarkan kesamaan | Membangun sistem rekomendasi untuk melengkapi rekomendasi hotel |
| Analisis regresi penjualan produk | Ramalan penjualan, suatu tugas yang sangat rutin, dapat dilakukan dengan metode rutin |
| Analisis dan pemodelan eksplorasi kumpulan data PUBG | Kumpulan data Battlegrounds PlayerUnknown, mari kita lihat siapa yang membunuh Anda |
| Metode interpretasi model dalam praktik | Bagaimana menafsirkan model setelah pemodelan? Toolkit ini dapat membantu Anda melakukannya. |
| Perangkat penting untuk pemrosesan bahasa alami dalam praktiknya | Interpretasi dari toolkit NLP umum dan contoh praktis |
| Perkiraan probabilitas pembayaran nasabah bank | Data nasabah bank untuk memprediksi kemungkinan pembayaran kembali |
| Praktek analisis klaster fitur gambar | Bagaimana cara mengelompokkan data gambar? |
| Prakiraan Pendapatan Praktek Proyek Dataset Sensus | Templat inti, analisis data, visualisasi, dll. semuanya ada di sana. |
Semua orang mendengar kata analisis data setiap hari, tapi apa yang harus kita lakukan? Tidak lebih dari memperoleh informasi berharga dari data, dan masih banyak metode dan rutinitas. Arah ini tidak memerlukan akumulasi teori apa pun, cukup gunakan data dan lakukan! Akumulasi kasus adalah proses pembelajaran!
Sederhananya, data mining adalah penerapan algoritma pembelajaran mesin pada sejumlah besar data untuk mendapatkan hasil yang diinginkan. Fokus dalam data mining bukanlah pemilihan algoritma pembelajaran mesin, tetapi bagaimana mengolah data untuk mendapatkan hasil prediksi yang lebih baik. Di sini rekayasa fitur dan prapemrosesan akan menjadi solusi inti.
| Nama kasus | Ikhtisar konten |
|---|---|
| Prediksi penyelamatan Titanic | Kasus kompetisi kaggle klasik, proyek praktis pertama untuk penambangan data tingkat pemula |
| Konstruksi fitur data | Rekayasa fitur adalah inti dari penambangan data. Berdasarkan sklearn, berbagai metode konstruksi fitur dijelaskan. |
| Latihan potret pengguna | Semua orang pasti pernah mendengar tentang potret pengguna. Bagaimana cara menerapkan data untuk melengkapi potret? |
| Contoh strategi integrasi | Dalam penambangan data, strategi integrasi biasanya dipilih untuk meningkatkan efeknya. |
| Xgboost pertarungan sebenarnya | Perwakilan khas dalam integrasi dan senjata pembunuh dalam kompetisi |
| Perkiraan niat membeli JD.com | Masalah prediksi klasik, selesaikan tugas prediksi berdasarkan data perilaku historis pengguna |
| survei ilmu data kaggle | Tampilkan secara visual peserta kompetisi kaggle |
| perkiraan harga rumah | Kasus tingkat awal penambangan data untuk menguasai rutinitas dengan cepat |
| Analisis Pengguna yang Sensitif terhadap Daya | Contoh kompetisi, terutama menjelaskan peran rekayasa fitur |
| prediksi deret waktu fbprophet | Algoritma yang sangat praktis untuk peramalan deret waktu, sangat mudah digunakan |
Kami telah memilih kasus kompetisi skala besar seperti Tianchi, Kaggle, dan Rongji untuk semua orang, dan kode serta solusi yang diberikan adalah ide solusi dari para pemenang selama kompetisi. Sama seperti jika Anda ingin belajar bermain catur, Anda harus bermain dengan pemain terbaik untuk meningkatkan diri Anda. Setiap kasus akan menjelaskan ide pemenang dan solusi keseluruhan serta memberikan implementasi kode. Sangat membantu semua orang untuk meningkatkannya!
| Nama kasus | Ikhtisar konten |
|---|---|
| Analisis aktivitas pengguna video pendek Kuaishou | Memprediksi aktivitas selanjutnya berdasarkan data perilaku pengguna |
| Prakiraan Produksi Bahan Kimia Industri | Analisis data dan model industri kimia untuk memprediksi efisiensi produksi |
| Prediksi waktu perjalanan jalan kota yang cerdas | Kompetisi yang sangat membumi, memperkirakan waktu perjalanan berdasarkan data jalan raya |
| Perangkat yang Dapat Ditafsirkan Pemodelan Rekayasa Fitur | Salah satu aspek tersulit dalam penambangan data adalah interpretasi fitur. |
| Data diabetes medis bernama pengenalan entitas | Penjelasan algoritma pengenalan entitas dan analisis contoh aplikasi |
| Rekayasa fitur model pengendalian risiko platform pinjaman | Menggunakan model grafis untuk membangun rekayasa fitur adalah ide yang banyak digunakan. |
| Model ekstraksi kata kunci berita | Ekstraksi kata kunci dapat dikatakan sebagai keterampilan penting untuk NLP |
| Templat praktis proyek pembelajaran mesin | Templatnya ada di sini. Anda dapat menerapkannya pada tugas selanjutnya. Metodenya serupa. |
| Analisis Pengguna yang Sensitif terhadap Daya | Contoh kompetisi, terutama menjelaskan peran rekayasa fitur |
Penambangan data terutama menggunakan pemodelan untuk membuat prediksi, sedangkan analisis data berfokus pada tampilan visual dan analisis dampak berbagai indikator terhadap hasil. Kami telah memilih beberapa kasus analisis klasik untuk Anda, banyak di antaranya dapat digunakan langsung sebagai template.
| Nama kasus | Ikhtisar konten |
|---|---|
| Teknik menggambar plot sebar | Dikatakan bahwa visualisasi adalah poin kuncinya, dan menggambar jelas merupakan suatu keharusan. |
| Analisis dan Pemodelan Operasi Taksi New York | Setelah menggunakan banyak perangkat, Anda akan terbiasa dengan cara menganalisis dan menampilkan data geografis. |
| Tugas rekomendasi film berdasarkan analisis statistik | Metode yang umum digunakan untuk analisis statistik dan rekomendasi |
| Templat Analisis Data dan Pembelajaran Mesin | Template ini sangat lengkap, termasuk analisis, tampilan, pemodelan, dan evaluasi. |
| Pengurangan dimensi data | Analisis komparatif dan tampilan beberapa algoritma reduksi dimensi yang umum digunakan |
| Tampilan visual produk dan pemrosesan teks | Pemrosesan awal data teks dan tampilan visual |
| analisis multivariat | Analisis multivariat juga merupakan metode umum dalam analisis data |
| Analisis kumpulan data pesanan produk | Analisis kumpulan data pesanan |
| Analisis data pinjaman KIVA | Analisis kumpulan data pinjaman |
Pembelajaran mendalam dapat dikatakan sebagai algoritma yang paling berguna saat ini, dan dapat digunakan di berbagai bidang. Faktanya, intinya masih pada computer vision dan pemrosesan bahasa alami, karena algoritma jaringan saraf lebih cocok untuk data gambar dan teks. Hal utama yang perlu Anda kuasai adalah algoritma dan kerangka kerja. Algoritma adalah model jaringan klasik seperti CNN dan RNN, dan kerangka kerja adalah alat praktis seperti tenorflow, Pytorch, dll., yang akan dibahas secara rinci nanti.
Nampaknya ketika banyak teman yang mendapat tugas sekarang, yang pertama kali terlintas di benak mereka adalah menggunakan deep learning secara langsung. Jika pembelajaran mendalam sulit dan tidak praktis untuk dilakukan, apakah pembelajaran mendalam akan tetap populer? Faktanya, sebaliknya, menurut saya pembelajaran mendalam jauh lebih sederhana daripada pembelajaran mesin. Dalam pembelajaran mesin, kita perlu memilih metode pra-pemrosesan yang berbeda dan metode konstruksi rekayasa fitur untuk data yang berbeda. Rutinitas dalam pembelajaran mendalam relatif lebih tetap, dan dengan kerangka kerja sumber terbuka dan arsitektur jaringan klasik utama, yang biasanya perlu kita lakukan hanyalah menerapkannya. Kesulitan keseluruhannya lebih mudah daripada tugas pembelajaran mesin (secara relatif!).
| Nama algoritma | Ikhtisar konten |
|---|---|
| jaringan saraf | Jaringan saraf merupakan yang paling dasar, yang setara dengan meletakkan dasar bagi pembelajaran jaringan selanjutnya. |
| jaringan saraf konvolusional | Ini kedengarannya familier bagi semua orang, kakak dalam pembelajaran mendalam! Jaringan Inti Visi Komputer |
| jaringan saraf berulang | Bei Qiao Feng dan Nan Murong adalah kakak beradik dalam pemrosesan bahasa alami! |
| jaringan generatif yang bermusuhan | Ini adalah model yang populer sekarang. Menyenangkan untuk dimainkan dan dapat digunakan untuk berbagai fusi gambar. |
| model jaringan urutan | Arsitektur yang umum digunakan dalam NLP, model terjemahan pembelajaran mesin, memiliki banyak titik penerapan |
| Arsitektur jaringan klasik utama | CNN dan RNN yang disebutkan tadi adalah model jaringan yang relatif dasar, dan ada banyak ekstensi berdasarkan model tersebut yang perlu dikuasai setiap orang. |
Kerangka kerjanya seperti mengatakan bahwa Anda merancang model jaringan, tetapi akan terlalu merepotkan untuk menyelesaikan sendiri semua proses penghitungan spesifik. Kerangka kerja ini menyediakan metode perhitungan yang efisien dan tidak mengharuskan kita untuk menyelesaikannya, serangkaian perhitungan yang sepenuhnya otomatis. Hal ini setara dengan kita hanya perlu mendesain strukturnya dan menyerahkan konstruksi spesifiknya. Yang diperlukan untuk memainkan pembelajaran mendalam adalah kerangka kerja.
Tensorflow, Pytorch, keras, caffe, dll, banyak sekali frameworknya, yang mana yang harus saya pilih? Apakah ada perbedaan besar antara berbagai kerangka kerja? Yang paling mainstream saat ini adalah tensorflow dan PyTorch, yang setara dengan KFC dan McDonald's. Keduanya sangat kuat. Adapun mana yang harus dipilih, silakan merujuk pada tim proyek dan persyaratan tugas Anda masing-masing. Jika saya harus merekomendasikannya, saya akan merekomendasikan PyTorch kepada semua orang karena lebih ringkas dan populer. Saya telah menggunakan semua kerangka kerja ini. Alasan utamanya adalah saya sering perlu merujuk pada makalah dan proyek sumber terbuka dalam pekerjaan saya. Saya biasanya menindaklanjuti kerangka kerja yang digunakan untuk kode sumber di makalah orang lain untuk pengembangan sekunder, jadi semuanya akan menggunakan kerangka kerja ini cepat atau lambat!
Tidak ada teori untuk membicarakan framework, dan tidak perlu membaca segala macam penjelasan panjang lebar, gunakan saja! Faktanya, ini adalah sebuah toolkit, Anda dapat mempelajarinya sambil menggunakannya, dan kasus-kasus tersebut dapat digunakan sebagai templat untuk meringkas!
| Nama bingkai | Ikhtisar konten |
|---|---|
| Kerangka kafe | Kerangka tingkat dewa di zaman kuno telah menjadi aib sekarang. Itu adalah kerangka kerja pertama yang saya pelajari. |
| Versi Tensorflow2 | Versi 2 telah mengalami banyak perbaikan dan akhirnya lebih ramah pengguna dibandingkan versi 1. |
| keras | Dalam satu kalimat, itu sederhana! Sederhana! Sederhana! Tidak perlu dipelajari, sangat mudah dipahami dengan melihat kodenya |
| PyTorch | Framework terpopuler saat ini, saya perkirakan juga akan menjadi framework terpopuler tahun ini (2020), direkomendasikan! |
Kami memberi Anda banyak kasus praktis untuk setiap kerangka pembelajaran mendalam utama. Yang mana yang Anda gunakan bergantung pada preferensi Anda!
Tidak perlu saya jelaskan bahwa itu diproduksi oleh Google. Begitu banyak proyek open source Google yang pasti didasarkan pada kerangka TF. Ini juga banyak digunakan di industri. Gelombang ini pasti akan membuahkan hasil!
| Nama kasus | Ikhtisar konten |
|---|---|
| instalasi dan pengenalan tensorflow | Versi 2 diperkenalkan dalam metode instalasi, cukup bahas sebentar. |
| Interpretasi prinsip jaringan saraf dan arsitektur keseluruhan | Tinjau arsitektur jaringan saraf |
| Bangun jaringan saraf untuk tugas klasifikasi dan regresi | Gunakan TF untuk menyelesaikan tugas klasifikasi dan regresi dasar serta menguasai metode penerapannya |
| Prinsip jaringan saraf konvolusional dan interpretasi parameter | Arsitektur CNN dijelaskan secara detail untuk setiap parameter. |
| Praktek identifikasi kucing dan anjing | Tugas klasifikasi gambar klasik, banyak yang perlu dibicarakan di sini, ini sangat penting |
| Contoh peningkatan data gambar | Dapat dikatakan bahwa peningkatan data kini menjadi keterampilan yang wajib dimiliki. |
| Strategi Pelatihan-Pembelajaran Transfer dalam Praktek | Efek yang ditimbulkan dari transfer learning masih cukup baik. |
| Interpretasi prinsip-prinsip jaringan saraf rekursif dan vektor kata | Interpretasi model RNN |
| Menerapkan word2vec berdasarkan TensorFlow | Interpretasi dan implementasi model vektor kata berdasarkan TF |
| Tugas klasifikasi teks berdasarkan model RNN | Menyelesaikan tugas klasifikasi teks berdasarkan TF |
| tfrecord membuat sumber data | Contoh produksi sumber data |
| Terapkan jaringan CNN ke praktik klasifikasi teks | CNN juga dapat melakukan klasifikasi teks |
| peramalan deret waktu | Contoh pemrosesan dan pemodelan data deret waktu |
| Jaringan Generatif Adversarial dalam Prakteknya | GAN ada di sini, ini sangat menyenangkan |
| Penggabungan gambar praktis berdasarkan proyek sumber terbuka CycleGan | GAN favorit saya untuk dimainkan, efeknya cukup lucu! |
| Arsitektur jaringan klasik Resnet dalam praktiknya | Anda dapat mempelajari arsitektur jaringan yang harus Anda pahami! |
Di penghujung tahun 2019, jumlah pengguna framework Pytorch telah melampaui tensorflow menjadi framework terpopuler saat ini. Alasannya sebenarnya sangat sederhana. Perasaan keseluruhan memang lebih mudah digunakan daripada tensorflow dan sangat nyaman untuk di-debug. Disarankan juga agar pemula memberikan prioritas pada kerangka Pytorch.
| Nama kasus | Ikhtisar konten |
|---|---|
| Operasi pemrosesan dasar kerangka PyTorch | Cukup kenali PyTorch dan sangat mudah untuk memulainya. |
| Tugas praktis klasifikasi dan regresi jaringan saraf | Menggunakan PyTorch untuk membangun model jaringan saraf memang lebih mudah digunakan dibandingkan TF |
| Prinsip jaringan saraf konvolusional dan interpretasi parameter | Arsitektur model CNN dan interpretasi buku parameter |
| Interpretasi praktis dari modul inti pengenalan gambar | Sangat penting, modul inti pemrosesan gambar di PyTorch |
| Peran dan contoh penerapan pembelajaran transfer | Memuat model di PyTorch untuk pembelajaran transfer |
| Interpretasi prinsip-prinsip jaringan saraf rekursif dan vektor kata | Interpretasi arsitektur model RNN |
| Praktek praktis klasifikasi teks kumpulan data berita | Bangun model klasifikasi teks berdasarkan PyTorch |
| Prinsip dan analisis praktis arsitektur jaringan generatif permusuhan | Interpretasi populer dari model GAN |
| Penggabungan gambar praktis berdasarkan proyek sumber terbuka CycleGan | CYCLEGAN versi PyTorch, proyek sumber terbuka ini ditulis dengan sangat baik |
| Prinsip pengenalan teks OCR | Prinsip OCR sebenarnya sangat sederhana dan memerlukan bantuan beberapa model untuk menyelesaikannya. |
| Praktek proyek pengenalan teks OCR | Membangun model jaringan OCR |
| Analisis video dan pengenalan tindakan berdasarkan konvolusi 3D | Gunakan konvolusi 3D untuk memproses data video dan menyelesaikan pengenalan perilaku |
| Model BERT praktis berdasarkan PyTorch | Arsitektur BERT sangat populer sehingga menjadi salah satu model yang wajib dimiliki. |
| Interpretasi template praktis kerangka PyTorch | Sediakan templat agar tugas di masa depan dapat ditingkatkan berdasarkan templat tersebut |
Perasaan keseluruhannya adalah Anda tidak perlu mempelajari apa pun, Anda cukup menggunakannya langsung dari casingnya. Versi TF2 sebenarnya sangat mirip dengan keras. Cocok untuk melakukan eksperimen dan menulis makalah, sederhana dan cepat!
| Nama kasus | Ikhtisar konten |
|---|---|
| Instalasi dan pengenalan | Keras mudah dipasang dan dimulai, berdasarkan tf |
| Membangun model jaringan saraf | Bangun model jaringan saraf untuk menguji air |
| Pertempuran lain dengan jaringan saraf konvolusional | Model CNN juga sangat mudah dibangun |
| Tugas Peramalan Seri Waktu LSTM | Model LSTM diterapkan pada tugas seri waktu |
| Praktik klasifikasi teks | Contoh Klasifikasi Teks |
| Beberapa label dan beberapa output | Tugas multi-label sangat umum dan memiliki nilai belajar yang hebat |
| Praktik Praktis pada Klasifikasi Teks Set Data Berita | Tugas klasifikasi teks berdasarkan keras |
| augmentasi data | Interpretasi contoh augmentasi data |
| Jaringan generatif permusuhan | Arsitektur gan, lebih mudah menggunakan keras |
| Transfer pembelajaran dan jaringan residu resnet | Anda harus bermain dengan model resnet sendiri |
| Alamat Kode Pos Tugas Urutan | Contoh model teks |
| Praktek Jaringan SEQ2SEQ | Model jaringan urutan masih banyak digunakan. |
| Ringkasan Template Praktis | Template Keras disediakan untuk semua orang. |
Saya pikir TensorFlow dan Pytorch sudah tersedia pada tahap ini, dan bukan giliran Caffe untuk muncul untuk saat ini. Mungkin ada beberapa makalah dan tugas yang masih membutuhkan kerangka kerja Caffe.
| Nama kasus | Tinjauan Konten |
|---|---|
| Interpretasi file konfigurasi caffe | Interpretasi file konfigurasi yang umum digunakan dari kerangka kerja Caffe |
| Berbagai metode konstruksi set data | Metode konstruksi set data, ini sangat penting |
| Interpretasi alat caffe umum | Ada banyak alat kecil yang dibangun di dalamnya untuk menyelesaikan tugas dengan cepat |
| Deteksi wajah dalam praktik | Bangun Model Deteksi Wajah Berdasarkan Kerangka Caffe |
| Praktik Praktis Menemukan Poin Kunci Wajah | Model pengenalan titik kunci wajah lengkap berdasarkan kerangka kerja Caffe |
Saya tidak perlu banyak bicara tentang industri visi komputer, ini adalah yang paling populer saat ini. Jadi apa yang perlu Anda pelajari? Inti sebenarnya adalah dua bagian, satu adalah pemrosesan gambar dan yang lainnya adalah pemodelan gambar. Yang disebut pemrosesan gambar adalah apa yang OpenCV lakukan. Pemodelan gambar terutama menggunakan pembelajaran mendalam untuk menyelesaikan tugas seperti deteksi dan pengakuan. Pada tahap studi ini, saya pikir Anda tidak perlu membaca tentang algoritma pemrosesan gambar tradisional.
Dianjurkan agar Anda memilih versi Python untuk belajar dan menggunakannya. Jika Anda menemukan sesuatu yang tidak Anda kenal, periksa lebih banyak API. Pada dasarnya semua fungsi di OpenCV melibatkan banyak formula matematika.
Kami telah menyiapkan banyak sumber belajar dan kasus untuk semua orang.
| Nama kasus | Tinjauan Konten |
|---|---|
| Konfigurasi Pendahuluan dan Lingkungan OpenCV | Instalasi dan Konfigurasi Lingkungan |
| Operasi Gambar Dasar | Gunakan OpenCV untuk menyelesaikan operasi dan praktik pemrosesan gambar dasar! |
| Thresholding dan Smoothing | Operasi pemrosesan yang paling umum digunakan dapat diselesaikan hanya dengan beberapa baris kode |
| Operasi Morfologi Gambar | Cukup terbiasa dengan operasi morfologis ini |
| Perhitungan Gradien Gambar | Contoh Perhitungan Gradien Gambar |
| Deteksi tepi | Deteksi tepi memiliki berbagai aplikasi |
| Deteksi piramida dan kontur gambar | Contoh deteksi kontur, efeknya masih bagus |
| Histogram dan Transformasi Fourier | Cukup akrab dengannya |
| Identifikasi Digital Kartu Praktik Proyek | Lakukan proyek praktis untuk mendeteksi dan mengidentifikasi nomor kartu kredit |
| Proyek Praktek-Dokumen Pemindaian Pengakuan OCR | Memindai data dokumen untuk pengakuan OCR |
| Fitur gambar-Harris | Metode ekstraksi fitur yang umum digunakan, algoritma ini sederhana dan akrab |
| Fitur gambar-fitur | Metode ekstraksi fitur tertua, masih membutuhkan banyak matematika. |
| Jahitan gambar praktik-panoramik kasus | Setiap orang pasti bermain dengan kamera yang indah, bagaimana cara mencapainya? |
| Identifikasi Ruang Proyek-Parking Proyek | Proyek tugas berat, membangun model pengenalan ruang parkir dari awal |
| Identifikasi dan Penilaian Kartu Proyek-Proyek | Mari kita juga bersenang -senang dengan penandaan otomatis |
| Pemodelan latar belakang | Metode perawatan konvensional |
| Estimasi Aliran Optik | Jadilah akrab dengannya |
| Modul OpenCV DNN | Memuat model yang terlatih untuk pengakuan |
| Praktik Proyek - Pelacakan Sasaran | Efek pelacakannya cukup menarik. |
| Prinsip dan Operasi Konvolusi | Ke mana pun konvolusi berjalan, itu adalah intinya. |
| Deteksi praktik-fasige proyek | Mendeteksi kelelahan berdasarkan kamera |
Saya merekomendasikan bahwa siswa yang sedang mempersiapkan wawancara kerja membaca semuanya. Kode di dalam jumlah akan relatif besar, sehingga disarankan untuk memulai dengan mode debug dan melihat baris kode demi baris.
Kami sangat merekomendasikan proyek praktis topeng-rcnn. Skenario aplikasi sangat luas, dan juga cocok untuk pengembangan dan peningkatan sekunder. Saya akan fokus untuk menjelaskan proyek dan menerapkannya pada diri saya sendiri.
| Nama proyek | Tinjauan Konten |
|---|---|
| Transfer Gaya Gambar (Transfer Gaya) | Terutama untuk mempelajari idenya, efeknya masih sangat menarik |
| Lengkapi gambar yang hilang secara otomatis | Ada banyak skenario aplikasi untuk jaringan GAN, dan gambar juga dapat diperbaiki sendiri. |
| Rekonstruksi Super-Resolusi | Salah satu bidang utama penelitian dalam beberapa tahun terakhir, hasil makalah ini sudah sangat bagus. |
| Proyek Kerangka Deteksi Objek-Maskrcnn | Ini adalah proyek open source yang saya soroti, yang harus dilihat! Harus dilihat! Harus dilihat! |
| Penjelasan terperinci tentang Kode Sumber Kerangka Jaringan Maskrcnn | Kode sumber sangat penting, Anda perlu memahami setiap baris! |
| Latih data Anda sendiri berdasarkan kerangka MASK-RCNN | Bagaimana cara memberi label data gambar dan melatihnya? Inilah jawaban Anda |
| Demo pengakuan postur manusia | Ada banyak skenario aplikasi untuk maskrcnn |
| Seri Deteksi Objek Fasterrcnn | Pekerjaan klasik tentang deteksi objek yang dapat digunakan sebagai sumber belajar |
| Fusi Gambar Praktis Berdasarkan Proyek Sumber Terbuka Cyclegan | Versi Pytorch dari Cyclegan, proyek open source ini ditulis dengan sangat baik |
| Prinsip Pengakuan Teks OCR | Prinsip OCR sebenarnya sangat sederhana dan membutuhkan bantuan dari beberapa model untuk menyelesaikannya. |
| Praktik Proyek Pengenalan Teks OCR | Bangun Model Jaringan OCR |
| Analisis video dan pengenalan tindakan berdasarkan konvolusi 3D | Gunakan konvolusi 3D untuk memproses data video dan pengenalan perilaku lengkap |
Dapat dikatakan bahwa kesulitannya cukup tinggi. Tetapi data teks tidak begitu tetap, dan kadang -kadang tidak mudah bagi manusia untuk memahami, apalagi komputer. Tantangan tinggi juga merupakan manfaat tinggi.
Pada tahun 2018, sebuah kertas Google keluar, Bert! Ini setara dengan kerangka solusi umum untuk pemrosesan bahasa alami, dan pada dasarnya dapat melakukan semua tugas! Ini mengharuskan semua orang untuk fokus pada pembelajaran, dan itu dapat ditulis sebagai proyek dalam resume Anda.
| Nama proyek | Tinjauan Konten |
|---|---|
| Model Bahasa | Model bahasa mengharuskan semua orang untuk terbiasa dengan dasar vektor kata berikutnya. |
| Gunakan Gemsim untuk membangun vektor kata | Gensim adalah paket yang sangat berguna! |
| Tugas Klasifikasi Berdasarkan Word2Vec | Mari kita gunakan contoh ini terlebih dahulu untuk memahami cara menggunakan vektor kata |
| Perbandingan Metode Fitur NLP | Ada begitu banyak cara untuk membangun fitur teks, mana yang lebih baik? |
| Analisis Sentimen LSTM | Gunakan proyek ini untuk memahami seperti apa input yang dibutuhkan oleh model RNN |
| Model NLP-Similarity | Metode Perhitungan Kesamaan Teks |
| Bot percakapan | Bangun chatbot berdasarkan kerangka Tensorlfow |
| Buat metode input Anda sendiri | Bisakah Anda membangun metode input Anda sendiri? Membantu Anda menyelesaikannya! |
| Robot menulis puisi tang | Lihatlah puisi tang yang ditulis oleh model! |
| Kotak terjemahan mesin NMT | Proyek open source, mampu pengembangan sekunder |
| Alamat Kode Pos Tugas Urutan | Tugas Klasifikasi Teks Klasik |
| Prinsip Bert, kerangka kerja umum untuk pemrosesan bahasa alami | Ini adalah Bert yang disebutkan di atas, intinya! Maksudnya! Maksudnya! |
| Interpretasi Kode Sumber Proyek Open Source Google Bert | Kode sumber sangat penting, setiap baris perlu dipahami |
| Analisis sentimen Cina berdasarkan Bert | Pengembangan model berdasarkan proyek open source |
| Pengakuan Entitas Nama Cina Berdasarkan Bert | Pengakuan entitas bernama berdasarkan proyek open source |
Melalui kursus online dan pelatihan perusahaan offline dalam beberapa tahun terakhir, saya telah bertemu banyak teman. Semua orang tahu saya melalui kursus video, dan saya sangat senang dapat membawa manfaat bagi semua orang. Terima kasih kepada banyak teman atas dukungan mereka, ayolah, Anda semua yang terbaik!
