Ai learn
1.0.0
作成者: タン・ユーディ
このプロジェクトを組織する本来の目的は、学生が人工知能の自習計画を迅速に開始し、学習プロセスの回り道を回避し、できるだけ早く AI を使い始めて実践的なプロジェクトを開始できるようにすることです。200 近くのAI 実践事例が提供されます。これらはオンラインではありません私が収集したのは、私が過去 5 年間のオンラインおよびオフラインでの教育中に開発し蓄積した事例です。繰り返し更新されており、学生が段階的に学び、実践するのに適していると言えます。ここに来ている学生は、星をクリックして保存することを忘れないでください。
2019年末に機械学習コースのサポートテキスト「Diegoで学ぶPythonデータ分析と機械学習の実践」を出版しましたが、そのスタイルは2年以上かかり、10回以上の改訂を経てようやく皆さんにお会いすることができました。 。 より多くの学生が学習計画を迅速に開始できるようにするために、この本の電子版を無料で提供することにしました。皆さんに学習上の利益をもたらすことができれば幸いです。 このプロジェクトのホームページから PDF 版をダウンロードできます。教材が気に入った場合は、JD.com から購入することもできます。
「Diego で学ぶ Python データ分析と機械学習の実践」PDF オリジナルのダウンロード:
(ネットワークディスクリンク: https://pan.baidu.com/s/19wzJeyPmwTBDp9ASEWBvFQ 抽出コード: tece )
以下のカタログは、初心者がカタログに記載されている順序で学習することをお勧めします。すでに始めている学生は、自分の好みに応じて選択できます。
このケースに関係するデータはすべて実際のデータ セットであり、一部のデータを github に直接アップロードすると、データやコードを含む各モジュールのネットワーク ディスク リンクを徐々にアップロードします。 、PPT およびその他の学習リソース。サポートビデオの説明が必要な場合は、 WeChat を追加してください: digexiaozhushou (Di Ge の小さなアシスタントのピンイン)
さまざまな面で協力、コミュニケーション、またはプロジェクトの問題がある場合は、 WeChat を直接追加できます: digexiaozhushou (Dige Assistant のピンイン)
人工知能 (データ サイエンス) を学ぶには、やはりいくつかの基本的なスキルが必要です。最も基本的で中心的なスキルはPythonと数学です。この二人の兄弟にとって、始めるのは難しくありません。まずは基本をマスターして、使いながら学んでください。
Python に詳しくない場合は、私の Python 入門ビデオ コースを見てすぐに使い始めることをお勧めします。ポータル
最も直接的な説明は、誰もがそれを使用しているということです。以前はオブジェクト指向プログラミングでしたが、その後コピーアンドペーストのプログラミングが好まれるようになり、今では GitHub 向けにプログラミングするのが面倒になってしまいました。確かに、怠けるべきところでは怠けなければなりません。Python はこれを実現します。 ！ これ以降の実践的な内容はすべて Python をベースにしていますので、選択の余地はありません。
アナコンダだけで十分だよ！アナコンダだけで十分だよ！アナコンダだけで十分だよ！ 3 回言いましたが、詳細な説明については、上記のポータル コースを参照してください。
ツールキットは、他の人がすべての関数を記述していることを意味し、私たちはそれを直接呼び出すことができ、それだけです。データ処理、分析、モデリングなどに対応するツール キットがあります。学習のために、これらのツール キットを暗記する必要はありません。最初にこれらのツール キットに慣れる必要があります。後で必ず使用して確認する必要があります。
| ツールキット名 | 機能概要 |
|---|---|
| ナンピー | 行列計算には必須！これは、その後のすべての計算の中核であり、データ サイエンスの分野の中核となるツールキットです。 |
| パンダ | データ処理には欠かせない！データの読み取り、データの処理、データの分析は彼が行う必要があります。 |
| マットプロットリブ | 視覚化は必須です！この機能は非常に強力であり、これに依存して描画できない画像はありません。 |
| シーボーン | よりシンプルな可視化ツール! 1 行のコードで結果を視覚的に表示できます。 |
学生は、特に人工知能 (データサイエンス) の分野において数学がいかに重要であるかをよく認識している必要があります。数学を知らないと先に進むのは難しいです。多くの学生が私に質問をしました。数学は本当に仕事に使えるのですか。 ? 人工知能業界は非常に急速に発展しているので、実際の仕事では何を学ばなければなりませんか?基本的な数式さえ理解できなければ、高度な技術について話す必要はありません。この分野の学生は間違いなくこの考えを持っているでしょう。いわゆる人工知能はデータに対してさまざまな数学的計算を行っているだけです。
ゼロから始めて、時間をかけて段階的に学ぶ必要はないと思います。たとえば、私の同僚や友人は、これを何回やったかわかりません。数学を勉強しました。私は数え切れないほどの問題を解いてきたことがありますが、しばらく見ていないと、多くの知識はすぐに忘れてしまいます。私が最も頻繁に行うことの 1 つは、使用するものを検索することです。検索プロセスは実際には学習と進歩のプロセスです。このプロセスでは、さまざまな問題解決プロセスを検討したり、特定の解決方法を気にしたりする必要はなく、一般的な知識のポイント (高度な数学、線形性、確率論の基礎) をざっと理解することをお勧めします。率直に言って、公式が何をするのか、何に使われるのかを理解するだけで十分です。教科書の練習問題や問題集の解答と同様、将来的には必要ありません。こういった面倒な計算をペンで行うと、アルゴリズムの方がコスト効率が高くなります。
| 知識のポイント | コンテンツ | 効果 |
|---|---|---|
| 高度な数学 | 高度な数学の基礎、微積分、テイラーの公式、ラグランジュ、 | 機械学習の式を導出するために不可欠 |
| 線形代数 | 線形代数、固有値、行列分解の基礎、 | アルゴリズム解決に必要 |
| 確率論 | 確率論の基礎、確率変数と確率推定、一般的に使用される分布 | 機械学習ではよくこんな言葉が出てきます |
| 統計分析 | 回帰分析、仮説検定、相関分析、分散分析 | データ分析に必須 |
人工知能の分野の中核は機械学習です。将来どの方向に進みたいとしても、まずは機械学習から始めなければなりません。主に 2 つあります。1 つ目は、古典的なアルゴリズムの原理を習得することです。2 つ目は、実践的なモデリングのための Python ツールキットの使用に習熟することです。
アルゴリズムについて何を学べばよいでしょうか? 機械学習アルゴリズムがデータをどのように操作してモデリングと解決のプロセスを完了するかを理解するには、アルゴリズムで数学がどのように使用されるかを理解する必要があります。大切なのは理解することです！問題をいつまでも考え続けないでください。それは時間の無駄です。その後の学習プロセスですぐに解決できるかもしれません。特に就職面接の準備をしている学生にとっては、アルゴリズムを複数回勉強する必要があると思います。アルゴリズムを 2 回または 3 回勉強するのが普通です (クラスメートは、面接前に合計 6 回勉強したと言ったこともあります)。 )
ディープラーニングでも機械学習は必要ですか?
ディープラーニングは機械学習アルゴリズムの一種であると言えますが、ニューラル ネットワークでは他の古典的なアルゴリズムが必要ないというわけではありません。学習パスはさまざまなタスクやデータに基づいて選択する必要があります。実際、これらの古典的なアルゴリズムをマスターすると、ニューラル ネットワークを調べるのは非常に簡単になります。
| 知識のポイント | コンテンツ | 概要 |
|---|---|---|
| 分類アルゴリズム | ロジスティック回帰、デシジョン ツリー、サポート ベクター マシン、アンサンブル アルゴリズム、ベイジアン アルゴリズム | 面接の準備をしている学生はマスターする必要があります |
| 回帰アルゴリズム | 線形回帰、デシジョン ツリー、アンサンブル アルゴリズム | 一部のアルゴリズムは分類と回帰の両方を実行できます |
| クラスタリングアルゴリズム | K 平均法、dbscan など | 教師なしは、実際にラベルがない場合にのみ考慮されます。 |
| 次元削減アルゴリズム | 主成分分析、線形判別分析など | 次元削減の考え方を理解することに重点を置く |
| 高度なアルゴリズム | GBDTブースティングアルゴリズム、lightgbm、EMアルゴリズム、隠れマルコフモデル | 時間と体力のある学生は高度なアルゴリズムに挑戦できます |
比較実験を通じて古典的なアルゴリズム モデリング手法とパラメーターが結果に与える影響を分析し、実験と視覚的表示を通じてアルゴリズムのパラメーターと適用例を理解します。
| 事件名 | 内容概要 |
|---|---|
| 線形回帰実験分析 | 単変量回帰および多重線形回帰、非線形回帰手法、および正則化ペナルティの役割をマスターする |
| モデルの評価方法 | 一般的に使用される分類および回帰アルゴリズムの評価方法の比較、データセットのセグメント化の例 |
| ロジスティック回帰実験分析 | 古典的な分類モデル構築法、決定木境界描画法 |
| クラスタリングアルゴリズムの実験解析 | 教師なしモデリングの例、クラスタリングアルゴリズムの評価方法、教師なしの役割と応用例 |
| 決定木の実験的分析 | ツリーモデルの可視化例と構築方法、ツリーモデルの分類と回帰の応用 |
| 統合アルゴリズム実験解析 | 統合手法の適用例と効果分析、一般的な統合戦略の比較 |
| サポートベクターマシンの実験解析 | SVM にはパラメータとモデリングの比較実験が含まれます |
| アソシエーションルールの実践的な分析 | 必須の知識ポイントと相関ルールのモデリング分析例 |
アルゴリズムのメカニズムをより深く理解するために、古典的なアルゴリズムを最初から再現し、パケット損失がないという原則を遵守し、アルゴリズムに必要なすべてのモジュールを段階的に完成させます。
主な目的はアルゴリズムの動作原理をよりよく理解することであり、実践に重点が置かれています。時間のある生徒は自分で再現できますが、時間がない生徒は自分で再現する必要はありません。
| 事件名 | 内容概要 |
|---|---|
| 線形回帰コードの実装 | モジュール構築アルゴリズムの一般的に使用される関数 |
| ロジスティック回帰コードの実装 | ロジスティック回帰実装方法の解釈例 |
| Kmeans コードの実装 | 非常にシンプルで理解しやすい教師なしアルゴリズム |
| デシジョンツリーコードの実装 | ツリー モデルは実際には再帰的な実装です。 |
| ニューラル ネットワーク コードの実装 | コード量が若干多いのでデバッグモードで学習することをお勧めします。 |
| ベイジアンコードの実装 | ベイズはテキストタスクで説明する方がまだ簡単です |
| アソシエーションルールコードの実装 | 一般的に使用されるデータ分析アルゴリズム |
| 音楽推薦システムを構築する | レコメンデーションシステムモデルをゼロから構築 |
実際の戦闘では、ほとんどの場合、タスクを完了するために既製のツールキットを使用するため、数学的知識ポイントが弱まる可能性があります（荷物の転送マン）。ここでは、誰もが習得する必要がある省エネ機能が数多くあります。まず、これらの一般的なツールキットの使用に習熟する必要があります。これらはすべて、非常に重要なステップです。要約すると、さまざまなタスクを完了するために必要なプロセスとルーチンは似ていますが、使用される方法とアルゴリズムは異なる場合があり、実践的な経験を豊かにするために全員が継続的に蓄積する必要があります。学生に提供されるこれらのケースは、独自の実践的なテンプレートとして使用できます。
最も重要なことは、さまざまなデータ (数値、テキスト、画像) を前処理および分析する方法を学び、ツールキットの主要なコア機能を巧みに適用して前処理に参加し、さまざまなタスクに対して複数のソリューションを提案し、実験分析を実行する方法を学ぶことです。要約すると、より多くの実験を行い、より多くの実践的な作業を行うことで、より熟練したコードを作成できるようになります。
| 事件名 | 内容概要 |
|---|---|
| K 最近傍アルゴリズムの実際の動作 | 機械学習入門事例、モデリング手法に適用されるツールキットをマスターする |
| トランザクションデータの異常検知 | データ処理とモデリング戦略の非常に重要な詳細な分析と比較 |
| 統合されたアルゴリズムモデリングの実践 | 統合についてはこれ以上言う必要はありませんが、これは必須の中核戦略です。 |
| ランダムフォレストに基づく気温予測 | ランダム フォレストは、機械学習で最も一般的に使用されるアルゴリズムです。 |
| ニュース分類の実践 | テキストデータの解析・処理とベイジアンアルゴリズムに基づく実践的なモデリング |
| クラスタリング実践分析 | 教師なしアプリケーションの例 |
| 時系列分析 | 時系列データ作成手法、シーケンスデータに基づくモデリング |
| ユーザーの離脱に関する警告 | Fantasy Westward Journey ユーザーは損をしているとよく言いますが、これは単なるデモです |
| ホテルの混雑予測に lightgbm を使用する | xgboost よりもさらに悪いもう 1 つの大きなキラー |
| 国勢調査データセット プロジェクトの実践 - 収入予測 | コアテンプレート、データ分析、視覚化などがすべて揃っています。 |
| ベイズ最適化の実践 | より難しいベイジアン最適化ツールキットの使用例 |
| テキスト特徴量手法の比較 | テキストデータの一般的に使用される特徴抽出方法の比較 |
| 自分だけのツールキットを作る | 自分だけのバッグを作って楽しんでください |
| 事件名 | 内容概要 |
|---|---|
| Python の実践的な関連付けルール | ツールキットを使用して相関ルールを作成するのはとても簡単です |
| Airbnb データセットの分析とモデリング | 住宅価格データセットの分析とモデリングの例 |
| 類似性に基づくホテル推奨システム | ホテルの推奨を完了するための推奨システムを構築するには |
| 製品売上の回帰分析 | 非常に日常的なタスクである売上予測は、日常的な方法で実行できます |
| PUBG データセット探索分析とモデリング | PlayerUnknown の Battlegrounds データセット、誰があなたを殺したのか見てみましょう |
| 実際のモデル解釈方法 | モデリング後にモデルをどのように解釈するか? これらのツールキットはそれを行うのに役立ちます。 |
| 実際の自然言語処理に不可欠なツールキット | 一般的な NLP ツールキットの解釈と実践例 |
| 銀行顧客の返済確率予測 | 返済の可能性を予測するための銀行顧客データ |
| 画像特徴クラスター分析の実践 | 画像データをクラスタリングするにはどうすればよいですか? |
| 国勢調査データセット プロジェクトの実践 - 収入予測 | コアテンプレート、データ分析、視覚化などがすべて揃っています。 |
データ分析という言葉を毎日耳にしますが、何をすればよいのでしょうか?それはデータから貴重な情報を取得することに他ならず、まだ多くの方法やルーチンが存在します。 この方向性は理論的な蓄積を必要とせず、データを使用して実行するだけです。事例の積み重ねが学習です！
簡単に言えば、データマイニングは、望ましい結果を得るために大量のデータに機械学習アルゴリズムを適用することです。データ マイニングでの焦点は、機械学習アルゴリズムの選択ではなく、より良い予測結果を得るためにデータを処理する方法です。ここでは、特徴量エンジニアリングと前処理が中心的なソリューションになります。
| 事件名 | 内容概要 |
|---|---|
| タイタニック号の救出予測 | 古典的な Kaggle コンテストの事例、エントリーレベルのデータマイニングのための最初の実用的なプロジェクト |
| データ特徴の構築 | 特徴エンジニアリングはデータマイニングの中核であり、sklearn に基づいてさまざまな特徴構築手法が説明されています。 |
| ユーザーポートレートの練習 | ユーザーポートレートについては誰もが聞いたことがあるはずです。データを適用してポートレートを完成させるにはどうすればよいでしょうか。 |
| 統合戦略の例 | データマイニングでは、通常、効果をより高めるために統合戦略が選択されます。 |
| Xgboost実戦 | 統合における典型的な代表者であり、競争における殺人兵器 |
| JD.comの購入意向予測 | 古典的な予測問題、ユーザーの履歴行動データに基づいた完全な予測タスク |
| kaggle データサイエンス調査 | kaggle コンテストの参加者を視覚的に表示します |
| 住宅価格予測 | ルーチンをすぐにマスターできるデータ マイニングの入門レベルのケース |
| 電力に敏感なユーザー分析 | 特徴エンジニアリングの役割を中心に説明する競合事例 |
| fbprophet 時系列予測 | 非常に使いやすい、時系列予測のための非常に実用的なアルゴリズム |
Tianchi、Kaggle、Rongji などの大規模なコンペ事例を厳選しており、提供されるコードやソリューションはコンペティション中の優勝者のソリューションアイデアです。チェスのプレイを学びたい場合、自分自身を向上させるために最高のプレイヤーとプレイする必要があるのと同じように、それぞれのケースで勝者のアイデアと全体的な解決策が説明され、コードの実装が提供されます。みんなが上達するのにとても役立ちます！
| 事件名 | 内容概要 |
|---|---|
| Kuaishou ショートビデオのユーザーアクティビティ分析 | ユーザーの行動データに基づいて次のアクティビティを予測する |
| 工業薬品生産予測 | 化学業界のデータとモデルを分析して生産効率を予測する |
| スマートな都市道路の移動時間予測 | 道路データに基づいて移動時間を予測する、非常に現実的な競争 |
| 特徴量エンジニアリング モデリングの解釈可能なツールキット | データ マイニングの最も難しい側面の 1 つは、特徴の解釈です。これらのツールキットは非常に便利です。 |
| 糖尿病医療データの名前付きエンティティ認識 | 固有表現認識アルゴリズムの解説と応用例分析 |
| 融資プラットフォームのリスク管理モデル機能エンジニアリング | グラフィカル モデルを使用して特徴量エンジニアリングを構築することは、広く使用されているアイデアです。 |
| ニュースキーワード抽出モデル | キーワード抽出はNLPにとって必須のスキルと言えます。 |
| 機械学習プロジェクトの実践的なテンプレート | テンプレートはここにあります。今後のタスクにも同様の方法で適用できます。 |
| 電力に敏感なユーザー分析 | 特徴エンジニアリングの役割を中心に説明する競合事例 |
データマイニングでは主にモデリングを使用して予測を行いますが、データ分析では視覚的な表示と、さまざまな指標が結果に与える影響の分析に焦点を当てます。いくつかの古典的な分析ケースを選択しました。その多くはテンプレートとして直接使用できます。
| 事件名 | 内容概要 |
|---|---|
| 散布図描画テクニック | 視覚化がポイントだと言われていますが、やはり絵を描くことは必須です。 |
| ニューヨークのタクシー運行分析とモデリング | 多くのツールキットを使用すると、地理データを分析および表示する方法に慣れることができます。 |
| 統計分析に基づく映画推薦タスク | 統計分析と推奨のために一般的に使用される方法 |
| データ分析と機械学習のテンプレート | このテンプレートは、分析、表示、モデリング、評価を含む非常に包括的なものです。 |
| データの次元削減 | 一般的に使用されるいくつかの次元削減アルゴリズムの比較分析と表示 |
| 製品のビジュアル表示とテキスト処理 | テキストデータの前処理と視覚的な表示 |
| 多変量解析 | 多変量解析もデータ分析では一般的な手法です |
| 製品注文データセット分析 | 注文データセット分析 |
| KIVAローンデータ分析 | 融資データセット分析 |
ディープラーニングは現時点で最も有用なアルゴリズムと言え、様々な分野で活用することができます。実際、ニューラル ネットワーク アルゴリズムは画像やテキスト データにより適しているため、中核は依然としてコンピューター ビジョンと自然言語処理にあります。 マスターする必要がある主なものはアルゴリズムとフレームワークです。アルゴリズムは CNN や RNN などの古典的なネットワーク モデルであり、フレームワークは後で詳しく説明する Tenorflow や Pytorch などの実用的なツールです。
現在、多くの友人がタスクを受け取ったとき、最初にディープラーニングを直接使用することを考えるようです。ディープラーニングが難しくて面倒だったとしても、それでも人気があるでしょうか?実際、逆に、ディープラーニングは機械学習よりもはるかに簡単だと思います。機械学習では、データごとに異なる前処理方法と特徴量エンジニアリングの構築方法を選択する必要があります。深層学習のルーチンは比較的固定されており、これらのオープンソース フレームワークと主要な古典的なネットワーク アーキテクチャを使用すると、通常はそれらを適用するだけで済みます。全体的な難易度は、機械学習タスクよりも簡単です (比較的に!)。
| アルゴリズム名 | 内容概要 |
|---|---|
| ニューラルネットワーク | ニューラル ネットワークは最も基本的なもので、後続のネットワークの学習の基礎を築くことに相当します。 |
| 畳み込みニューラル ネットワーク | これは誰もが知っている、ディープラーニングの兄貴分です。コンピュータビジョンコアネットワーク |
| リカレントニューラルネットワーク | Bei Qiao Feng と Nan Mulong は自然言語処理の兄貴分です。 |
| 敵対的生成ネットワーク | 遊んで楽しい、様々なイメージの融合に使える今人気のモデルです。 |
| シーケンスネットワークモデル | NLP で一般的に使用されるアーキテクチャ、機械学習翻訳モデルには、多くの応用ポイントがあります |
| 主要な古典的なネットワーク アーキテクチャ | 先ほど述べた CNN と RNN は比較的基本的なネットワーク モデルであり、それらをベースにした拡張機能が数多くあり、誰もが習得する必要があります。 |
ネットワークモデルを設計すると言っているような枠組みですが、具体的な計算処理をすべて自分で行うのは面倒です。このフレームワークは効率的な計算方法を提供しており、完全に自動化された一連の計算を完了する必要はありません。 これは構造設計のみを行い、具体的な構築は任せるのと同じです。ディープラーニングを遊ぶために必要なのはフレームワークです。
Tensorflow、Pytorch、keras、caffeなど、フレームワークはたくさんあるのですが、どれを選べばいいのでしょうか？異なるフレームワーク間に大きな違いはありますか? 現在最も主流なのは、KFCやマクドナルドに相当するtensorflowとPyTorchです。どちらを選択するかについては、それぞれのプロジェクト チームとタスクの要件を参照してください。 1 つお勧めするとしたら、PyTorch の方が簡潔で人気があるため、誰にでもお勧めします。私がこれらのフレームワークをすべて使用しているのは、仕事で論文やオープンソース プロジェクトを参照することがよくあるためです。通常、他の人が論文のソース コードに使用しているフレームワークを二次開発することになるからです。遅かれ早かれ、誰もがこれらのフレームワークを使用することになるでしょう。
フレームワークについて語る理論はなく、あらゆる種類の長い説明を読む必要もありません。ただ使用してください。実際、これはツールキットであり、使いながら学ぶことができ、事例を要約するためのテンプレートとして使用できます。
| フレーム名 | 内容概要 |
|---|---|
| カフェフレームワーク | 古代の神レベルのフレームワークは今では祭壇から落ちました 私が最初に学んだフレームワーク。 |
| Tensorflow2 バージョン | バージョン 2 では多くの改良が加えられ、バージョン 1 よりもさらに使いやすくなりました。 |
| ケラス | 一言で言えば、簡単です！単純！単純！学ぶ必要はありません。コードを見るだけで非常に簡単に理解できます。 |
| パイトーチ | 現段階で最も人気のあるフレームワークであり、今年（2020 年）も最も人気のあるフレームワークになると予想しています。お勧めします。 |
主要な深層学習フレームワークごとに豊富な実践例を提供しますので、どれを使用するかは好みに応じて異なります。
Google によって作成されていることを説明する必要はありません。そのため、Google のオープンソース プロジェクトの多くは TF フレームワークに基づいている必要があります。他の人のオープンソース プロジェクトや論文を研究したり参照したりしたい場合は、TF を学習する必要があります。業界でも広く使用されています。この波は必ず報われます！
| 事件名 | 内容概要 |
|---|---|
| tensorflow のインストールと導入 | インストール方法ではバージョン 2 が紹介されていますので、簡単に説明してください。 |
| ニューラルネットワークの原理と全体的なアーキテクチャの解釈 | ニューラル ネットワーク アーキテクチャを確認する |
| 分類および回帰タスク用のニューラル ネットワークを構築する | TF を使用して基本的な分類と回帰タスクを完了し、その適用方法を習得します |
| 畳み込みニューラル ネットワークの原理とパラメーターの解釈 | CNN のアーキテクチャをパラメータごとに詳しく説明します。 |
| 犬猫の識別練習 | 古典的な画像分類タスクについては、ここでお話しすることがたくさんありますが、非常に重要です。 |
| 画像データの強化例 | データ強化は今や必須スキルと言えるでしょう。 |
| トレーニング戦略 - 転移学習の実践 | 転移学習によってもたらされる効果は依然として非常に優れています。 |
| 再帰的ニューラル ネットワークとワード ベクトルの原理の解釈 | RNN モデルの解釈 |
| TensorFlow に基づいて word2vec を実装する | TF に基づくワード ベクトル モデルの解釈と実装 |
| RNN モデルに基づくテキスト分類タスク | TF に基づいてテキスト分類タスクを完了する |
| tfrecord はデータソースを作成します | データソース制作例 |
| CNN ネットワークをテキスト分類の実践に適用する | CNN はテキスト分類も実行できます |
| 時系列予測 | 時系列データの処理とモデリングの例 |
| 敵対的生成ネットワークの実践 | GANが来ました、とても楽しいです |
| CycleGan オープンソース プロジェクトに基づく実用的な画像融合 | 私のお気に入りの GAN です。エフェクトはとても面白いです。 |
| 古典的なネットワーク アーキテクチャ Resnet の実際の運用 | 理解しておくべきネットワークアーキテクチャを学ぶことができます！ |
2019 年末には、Pytorch フレームワークのユーザー数が tensorflow を上回り、現在最も人気のあるフレームワークになりました。その理由は実際には非常に単純です。全体的な印象は確かに tensorflow よりも使いやすく、デバッグにも非常に便利です。また、初心者には Pytorch フレームワークを優先することをお勧めします。
| 事件名 | 内容概要 |
|---|---|
| PyTorch フレームワークの基本的な処理操作 | PyTorch に慣れるだけで、非常に簡単に始めることができます。 |
| ニューラル ネットワークの実用的な分類および回帰タスク | PyTorch を使用してニューラル ネットワーク モデルを構築するのは、確かに TF よりも使いやすいです |
| 畳み込みニューラル ネットワークの原理とパラメーターの解釈 | CNN モデルのアーキテクチャとパラメータブックの解釈 |
| 画像認識コアモジュールの実践的な解釈 | 非常に重要です。PyTorch の画像処理コア モジュール |
| 転移学習の役割と応用例 | 転移学習のために PyTorch にモデルをロードする |
| 再帰的ニューラル ネットワークとワード ベクトルの原理の解釈 | RNN モデル アーキテクチャの解釈 |
| ニュースデータセットのテキスト分類に関する実践 | PyTorch に基づいてテキスト分類モデルを構築する |
| 敵対的生成ネットワーク アーキテクチャの原理と実践的な分析 | GAN モデルの一般的な解釈 |
| CycleGan オープンソース プロジェクトに基づく実用的な画像融合 | CYCLEGAN の PyTorch バージョン、このオープンソース プロジェクトは非常によく書かれています |
| OCRテキスト認識原理 | OCR の原理は実際には非常に単純で、それを完了するには複数のモデルの支援が必要です。 |
| OCRテキスト認識プロジェクトの実践 | OCRネットワークモデルの構築 |
| 3D畳み込みに基づくビデオ分析とアクション認識 | 3D コンボリューションを使用してビデオ データを処理し、行動認識を完了します |
| PyTorchに基づく実用的なBERTモデル | BERT のアーキテクチャは非常に人気があり、必須のモデルの 1 つです。 |
| PyTorch フレームワークの実用的なテンプレートの解釈 | テンプレートを提供し、今後のタスクをテンプレートに基づいて改善できるようにする |
全体的な印象としては、何も学ぶ必要はなく、ケースから直接使用できるということです。実際、TF2 バージョンは keras に非常に似ています。実験や論文執筆に適しており、簡単かつ迅速です。
| 事件名 | 内容概要 |
|---|---|
| 設置と導入 | Keras は tf に基づいており、インストールと開始が簡単です |
| ニューラル ネットワーク モデルを構築する | ニューラル ネットワーク モデルを構築して水をテストする |
| 畳み込みニューラル ネットワークとの新たな戦い | CNN モデルの構築も非常に簡単です |
| LSTM 時系列予測タスク | 時系列タスクに適用される LSTM モデル |
| テキスト分類の練習 | テキスト分類例 |
| 複数のラベルと複数の出力 | マルチラベルのタスクは非常に一般的であり、大きな学習価値があります |
| ニュースデータセットのテキスト分類に関する実践 | keras に基づくテキスト分類タスク |
| データ拡張 | データ拡張例の解釈 |
| 敵対的生成ネットワーク | Gan Architecture、Kerasを使用する方が簡単です |
| 学習を転送し、残留ネットワークを再ネットします | ResNetモデルで自分で遊ぶ必要があります |
| 郵便番号複数のシーケンスタスクをアドレスします | テキストモデルの例 |
| seq2seqネットワークの練習 | シーケンスネットワークモデルはまだ広く使用されています。 |
| 実用的なテンプレートの概要 | Kerasテンプレートはすべての人に提供されます。 |
TensorflowとPytorchはこの段階ですでに利用可能であると思いますが、当面はCaffeの姿ではありません。それを必要とする学生がまだそれを手に入れることができるいくつかの論文やタスクがあります。
| 事件名 | 内容概要 |
|---|---|
| Caffe構成ファイルの解釈 | Caffeフレームワークの一般的に使用される構成ファイルの解釈 |
| さまざまなデータセット構築方法 | データセット構築方法、これは非常に重要です |
| カフェで一般的に使用されるツールの解釈 | タスクをすばやく完了するために、多くの小さなツールが組み込まれています |
| 実際の顔の検出 | Caffeフレームワークに基づいて顔検出モデルを構築する |
| 顔の重要なポイントを配置する実践 | Caffe Frameworkに基づく完全なフェイシャルキーポイント認識モデル |
コンピュータービジョン業界について多くのことを言う必要はありません。今では最も人気のある業界です。それで、あなたは何を学ぶ必要がありますか？コアは実際には2つの部分です。1つは画像処理で、もう1つは画像モデリングです。いわゆる画像処理は、このツールキットが単に使用したいものを見つけることができます。画像モデリングは、主に深い学習を使用して、検出や認識などのタスクを完了します。この段階では、従来の画像処理アルゴリズムについて読む必要はありません。 。
Pythonバージョンを選択して、他のツールキットと同じように使用することをお勧めします。慣れ親しんでいるものに遭遇した場合は、APIを確認しているときに学習します。基本的に、OpenCVのすべての機能には、すべてのアルゴリズムとすべての式を学ぶことができます。
すべての人のために多くの学習リソースを用意しています。
| 事件名 | 内容概要 |
|---|---|
| OpenCVの紹介と環境構成 | 環境の設置と構成 |
| 基本的な画像操作 | OPENCVを使用して、基本的な画像処理操作と練習を完了してください！ |
| しきい値とスムージング | 最も一般的に使用される処理操作は、わずか数行のコードで完了することができます |
| 画像形態操作 | これらの形態学的操作に精通してください |
| 画像勾配計算 | 画像勾配計算の例 |
| エッジ検出 | エッジ検出には、幅広いアプリケーションがあります |
| 画像ピラミッドと輪郭検出 | 輪郭検出の例、効果はまだ良いです |
| ヒストグラムとフーリエ変換 | それに精通してください |
| Project Practice-Creditカードデジタル識別 | クレジットカード番号を検出して識別するための実践的なプロジェクトを実行します |
| Project Practice-Document Scaning OCR認識 | OCR認識のためにドキュメントデータをスキャンします |
| 画像機能ハリス | 一般的に使用される特徴抽出方法、アルゴリズムはシンプルで馴染みがあります |
| 画像機能シフト | 最古の機能抽出方法では、多くの数学が必要です。 |
| ケースプラクティスパノラミック画像ステッチ | 誰もがパノラマカメラで遊んでいたに違いありません、それを達成する方法は？ |
| プロジェクトの練習 - スペース識別 | 肉体的なプロジェクト、駐車スペース認識モデルをゼロから構築する |
| プロジェクトの練習 - 回答カードの識別と審査 | また、自動マーキングを楽しんでみましょう |
| バックグラウンドモデリング | 従来の治療方法 |
| 光フロー推定 | それに精通してください |
| opencv dnnモジュール | 認識のために訓練されたモデルをロードします |
| プロジェクトの実践 - 目標追跡 | 追跡効果は非常に興味深いです。 |
| 畳み込み原則と運用 | 畳み込みがどこに行っても、それが核心です。 |
| プロジェクトの実践疲労検出 | カメラに基づいて疲労を検出します |
インタビューと雇用の準備をしている学生は、それらのアイデアをすべて読みます。金額の中のコードは比較的大きくなるため、デバッグモードから開始して、説明プロセス中にデバッグモードを入力することもお勧めします。
Mask-RCNNの実用的なプロジェクトを強くお勧めします。アプリケーションのシナリオは、履歴書でそれを書くのにも適しています。プロジェクトを説明することに焦点を当て、データタスクが進行中です。
| プロジェクト名 | 内容概要 |
|---|---|
| 画像スタイルの転送（スタイル転送） | 主に彼のアイデアを学ぶために、その効果はまだ非常に興味深いものです |
| 欠落している画像を自動的に完了します | GANネットワークには多くのアプリケーションシナリオがあり、画像を自分で修理することもできます。 |
| 超解像度の再構築 | 近年の研究の重要な分野の1つであるこの論文の結果は、すでに非常に優れています。 |
| オブジェクト検出フレームワーク-MaskRCNNプロジェクト | これは私が強調するオープンソースプロジェクト、必見です！必見です！必見です！ |
| MaskRCNNネットワークフレームワークソースコードの詳細な説明 | ソースコードは非常に重要です。すべての行を理解する必要があります！ |
| Mask-RCNNフレームワークに基づいて独自のデータをトレーニングします | 画像データにラベルを付けてトレーニングする方法は？これがあなたの答えです |
| 人間の姿勢認識デモ | maskrcnnには多くのアプリケーションシナリオがあります |
| オブジェクト検出FasterRCNNシリーズ | 学習リソースとして使用できるオブジェクト検出に関する古典的な作業 |
| Cycleganオープンソースプロジェクトに基づく実用的な画像融合 | CycleganのPytorchバージョン、このオープンソースプロジェクトは非常によく書かれています |
| OCRテキスト認識の原則 | OCRの原則は実際には非常に単純であり、複数のモデルを完了するには複数のモデルの支援が必要です。 |
| OCRテキスト認識プロジェクトの実践 | OCRネットワークモデルを構築します |
| 3D畳み込みに基づくビデオ分析とアクション認識 | 3D畳み込みを使用してビデオデータを処理し、行動認識を完全にします |
難易度は非常に高いと言えます。データは修正されています。しかし、テキストデータはそれほど固定されておらず、コンピューターは言うまでもなく、人間が理解するのは簡単ではない場合があります。また、NLPの開発の見通しも非常に優れています。
2018年、Google Paperが出てきました、Bert！これは、自然言語処理のための一般的なソリューションフレームワークと同等であり、基本的にすべてのタスクを実行できます！ これには、誰もが学習に集中する必要があり、履歴書のプロジェクトとして書くことができます。
| プロジェクト名 | 内容概要 |
|---|---|
| 言語モデル | 言語モデルでは、誰もが後続の単語ベクトルの基礎に精通する必要があります。 |
| gemsimを使用して、単語ベクトルを構築します | Gensimは本当に便利なパッケージです！ |
| word2vecに基づく分類タスク | まずこの例を使用して、単語ベクトルの使用方法を理解しましょう |
| NLPテキスト特徴方法の比較 | テキスト機能を構築する方法はたくさんありますが、どちらが優れていますか？ |
| LSTMセンチメント分析 | このプロジェクトを使用して、RNNモデルに必要な入力がどのように見えるかを理解してください |
| NLP類似モデル | テキストの類似性計算方法 |
| 会話ロボット | Tensorlfowフレームワークに基づいてチャットボットを構築します |
| 独自の入力方法を作成します | 独自の入力方法を作成できますか？あなたがそれを成し遂げるのを手伝ってください！ |
| ロボットはタンの詩を書いています | モデルによって書かれたタンの詩を見てください！ |
| NMTマシン翻訳ボックス | 二次開発が可能なオープンソースプロジェクト |
| 郵便番号複数のシーケンスタスクをアドレスします | 古典的なテキスト分類タスク |
| 自然言語処理のための一般的な枠組みであるバートの原則 | これは上記のバート、ポイントです！ポイント！ポイント！ |
| GoogleのオープンソースプロジェクトBERTのソースコードの解釈 | ソースコードは非常に重要です、すべての行を理解する必要があります |
| Bertに基づく中国の感情分析 | オープンソースプロジェクトに基づくモデル開発 |
| Bertに基づく中国の名前付きエンティティ認識 | オープンソースプロジェクトに基づいた名前付きエンティティ識別 |
近年のオンラインコースとオンラインビジネストレーニングを通じて、私は多くの友人に会いました。誰もが基本的にビデオコースを経験していることを知っています。たくさんの友達のサポートをありがとう、さあ、あなたは最高です！
