Ai learn
1.0.0
Criado por Tang Yudi
A intenção original de organizar este projeto é facilitar aos alunos o início rápido do plano de autoestudo em inteligência artificial, evitar desvios no processo de aprendizagem e iniciar a IA o mais rápido possível e iniciar projetos práticos. Ele fornece cerca de 200 casos práticos de IA . e projetos . Não são on-line. O que coletei são casos desenvolvidos e acumulados por mim nos últimos cinco anos de ensino on-line e off-line. Pode-se dizer que eles foram atualizados repetida e iterativamente e são adequados para os alunos aprenderem e praticarem passo a passo. Alunos que vierem aqui, lembrem-se de clicar em uma estrela para salvá-la!
No final de 2019, publiquei o livro de apoio ao curso de aprendizado de máquina "Aprenda Análise de Dados Python e Prática de Aprendizado de Máquina com Diego. O estilo ainda é fácil de entender. Demorou dois anos e mais de dez revisões para finalmente conhecê-lo". . Para facilitar que mais alunos iniciem seu plano de estudos rapidamente, decidi oferecer gratuitamente a versão eletrônica deste livro . Espero que possa trazer ganhos de aprendizagem para todos! Você pode baixar a versão em PDF na página inicial deste projeto. Se gostar dos materiais didáticos, você também pode adquiri-los em JD.com.
"Aprenda análise de dados Python e prática de aprendizado de máquina com Diego" Download original do PDF :
(Link do disco de rede: https://pan.baidu.com/s/19wzJeyPmwTBDp9ASEWBvFQ Código de extração: tece)
O catálogo a seguir é o roteiro de aprendizagem. Os iniciantes são aconselhados a estudar na ordem indicada no catálogo. Os alunos que já iniciaram podem escolher de acordo com suas preferências.
Os dados envolvidos no caso são todos conjuntos de dados reais, e alguns serão bastante grandes. Carregá-los diretamente para o github será muito lento para que todos possam fazer o download. , PPT e outros recursos de aprendizagem. Se você precisar de uma explicação em vídeo de apoio, adicione WeChat: digexiaozhushou (Pinyin do pequeno assistente de Di Ge)
Se você tiver algum problema de cooperação, comunicação ou projeto em vários aspectos, pode adicionar WeChat diretamente: digexiaozhushou (Pinyin of Dige Assistant)
Para aprender inteligência artificial (ciência de dados), você ainda precisa de algumas habilidades básicas. As mais básicas e essenciais são Python e matemática ! Não é difícil para esses dois irmãos começarem. Não há problema em dominar o básico primeiro e aprender enquanto os usa!
Se você não está familiarizado com Python, sugiro que assista ao meu curso introdutório em vídeo sobre Python para começar rapidamente! portal
A explicação mais direta é que todo mundo usa! Costumava ser programação orientada a objetos, mas depois as pessoas preferiram a programação copiar e colar, e agora estão com preguiça de programar para GitHub. É verdade, você tem que ser preguiçoso quando deveria ser preguiçoso, e Python faz isso. ! Todo o conteúdo prático subsequente será baseado em Python, então você não tem escolha!
Anaconda é o suficiente! Anaconda é o suficiente! Anaconda é o suficiente! Ok, já disse isso três vezes. Para uma explicação detalhada, basta consultar o curso do portal acima.
O kit de ferramentas significa que outras pessoas escreveram todas as funções, e podemos chamá-lo diretamente e pronto! Existem kits de ferramentas correspondentes para processamento de dados, análise, modelagem, etc. Para aprender, não há necessidade de memorizar esses kits de ferramentas. Você precisa primeiro se familiarizar com eles e, com certeza, precisará usá-los e verificá-los mais tarde.
| Nome do kit de ferramentas | Visão geral da função |
|---|---|
| Entorpecido | Uma obrigação para cálculos matriciais! É o núcleo de todos os cálculos subsequentes e o kit de ferramentas principal no campo da ciência de dados. |
| Pandas | Uma obrigação para o processamento de dados! A leitura de dados, o processamento e a análise de dados devem ser feitos por ele! |
| Matplotlib | A visualização é obrigatória! A função é muito poderosa. Não há imagem que não possa ser desenhada. A análise e a exibição dependem dela! |
| Nascido no mar | Uma ferramenta de visualização mais simples! Uma linha de código fornece uma exibição visual dos resultados |
Os alunos devem estar muito conscientes da importância da matemática, especialmente no campo da inteligência artificial (ciência de dados). É difícil fazer qualquer coisa sem saber matemática. Muitos alunos me perguntaram se tanta matemática pode realmente ser usada no trabalho. ? Deixe-me explicar que a indústria da inteligência artificial está se desenvolvendo muito rapidamente. No trabalho real, você deve aprender enquanto o faz. Devem ser alguns dos artigos mais destacados atualmente. Se você não consegue nem entender fórmulas matemáticas básicas, então não há necessidade de falar sobre tecnologia de ponta. Os estudantes desta área certamente terão essa ideia. A chamada inteligência artificial está apenas fazendo vários cálculos matemáticos em dados!
Não acho que você precise começar do zero e gastar muito tempo aprendendo passo a passo. Por exemplo, meus colegas e amigos e eu já fazemos isso há muito tempo, não sei quantas vezes. estudei matemática. Às vezes resolvi inúmeras questões, mas também encontrarei esse problema. Muitos pontos de conhecimento serão esquecidos rapidamente se eu não os examinar por um tempo. Uma das coisas que faço com mais frequência é pesquisar tudo o que uso. O processo de pesquisa é, na verdade, um processo de aprendizado e progresso. Recomenda-se que você passe rapidamente pelos pontos de conhecimento comum (matemática avançada, linearidade, noções básicas de teoria das probabilidades). Durante este processo, não olhe para vários processos de resolução de problemas, nem precise se preocupar com os métodos de solução específicos. para ser franco, basta entender O que uma fórmula faz e para que é usada é suficiente. Semelhante aos exercícios do livro e às soluções do livro de exercícios, você não precisará deles no futuro. uma caneta para calcular essas coisas problemáticas. Economize esse tempo para estudar.
| Pontos de conhecimento | contente | efeito |
|---|---|---|
| Matemática Avançada | Noções básicas de matemática avançada, cálculo, fórmula de Taylor e Lagrange, | Essencial para derivar fórmulas de aprendizado de máquina |
| álgebra linear | Noções básicas de álgebra linear, autovalores e decomposição de matrizes, | Necessário para solução de algoritmo |
| teoria da probabilidade | Noções básicas de teoria de probabilidade, variáveis aleatórias e estimativa de probabilidade, distribuições comumente usadas | O aprendizado de máquina frequentemente menciona essas palavras |
| Análise estatística | Análise de regressão, teste de hipóteses, análise de correlação, análise de variância | Essencial para análise de dados |
O núcleo do campo da inteligência artificial é o aprendizado de máquina. Não importa a direção que você queira seguir no futuro, você deve começar com o aprendizado de máquina! Há duas coisas principais: a primeira é dominar os princípios dos algoritmos clássicos e a segunda é ser proficiente no uso do kit de ferramentas Python para modelagem prática!
O que aprender sobre algoritmos? Compreender como os algoritmos de aprendizado de máquina operam nos dados para completar o processo de modelagem e solução Para ser franco, significa familiarizar-se com a forma como a matemática é usada nos algoritmos. O importante é entender! Não fique pensando indefinidamente em um problema, é uma perda de tempo e você poderá resolvê-lo rapidamente durante o processo de aprendizagem subsequente. Acho que você deve estudar algoritmos mais de uma vez, principalmente para alunos que estão se preparando para entrevistas de emprego. É normal estudar o algoritmo duas ou três vezes (um colega uma vez me disse que estudou o curso um total de 6 vezes antes da entrevista. )
Com o aprendizado profundo, o aprendizado de máquina ainda é necessário?
Pode-se dizer que o aprendizado profundo é um tipo de algoritmo de aprendizado de máquina. Isso não significa que outros algoritmos clássicos não sejam necessários com redes neurais. O algoritmo mais apropriado precisa ser selecionado com base em diferentes tarefas e dados. aprendizado de máquina. Na verdade, é realmente fácil observar as redes neurais depois de dominar esses algoritmos clássicos!
| Pontos de conhecimento | contente | Visão geral |
|---|---|---|
| Algoritmo de classificação | Regressão logística, árvore de decisão, máquina de vetores de suporte, algoritmo de conjunto, algoritmo bayesiano | Os alunos que se preparam para entrevistas devem dominar |
| Algoritmo de regressão | Regressão linear, árvores de decisão, algoritmos de conjunto | Alguns algoritmos podem fazer classificação e regressão |
| Algoritmo de agrupamento | k-means, dbscan, etc. | Não supervisionado só é considerado quando realmente não há rótulo. |
| Algoritmo de redução de dimensionalidade | Análise de componentes principais, análise discriminante linear, etc. | Concentre-se em compreender a ideia de redução de dimensionalidade |
| Algoritmos avançados | Algoritmo de reforço GBDT, lightgbm, algoritmo EM, modelo oculto de Markov | Alunos que têm tempo e energia podem desafiar algoritmos avançados |
Analise o impacto dos métodos e parâmetros clássicos de modelagem de algoritmos nos resultados por meio de experimentos comparativos e entenda os parâmetros e exemplos de aplicação nos algoritmos por meio de experimentos e exibições visuais.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Análise experimental de regressão linear | Domine a regressão linear univariada e múltipla, métodos de regressão não linear e o papel da penalidade de regularização |
| Método de avaliação de modelo | Comparação de métodos de avaliação de algoritmo de classificação e regressão comumente usados, exemplos de segmentação de conjunto de dados |
| Análise experimental de regressão logística | Método clássico de construção de modelo de classificação, método de desenho de limites de árvore de decisão |
| Análise experimental de algoritmo de clustering | Exemplos de modelagem não supervisionada, métodos de avaliação de algoritmos de cluster, funções não supervisionadas e exemplos de aplicação |
| Análise experimental de árvore de decisão | Exemplos de visualização de modelos de árvore e métodos de construção, aplicações de classificação e regressão de modelos de árvore |
| Análise experimental de algoritmo integrado | Exemplos de aplicação e análise de efeitos de métodos de integração, comparação de estratégias de integração comuns |
| Análise experimental de máquina vetorial de suporte | SVM envolve parâmetros e experimentos de comparação de modelagem |
| Análise prática das regras de associação | Pontos de conhecimento essenciais e exemplos de análise de modelagem de regras de associação |
Para entender melhor o mecanismo do algoritmo, reproduzimos o algoritmo clássico do zero, aderimos ao princípio de não perda de pacotes e completamos passo a passo todos os módulos exigidos pelo algoritmo.
O objetivo principal é compreender melhor o princípio de funcionamento do algoritmo, e a ênfase está na prática! Os alunos que têm tempo podem reproduzi-lo sozinhos, mas os alunos com pouco tempo não precisam fazer isso sozinhos.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Implementação de código de regressão linear | Funções comumente usadas de algoritmos de construção de módulo |
| Implementação de código de regressão logística | Exemplo de interpretação do método de implementação de regressão logística |
| Implementação do código Kmeans | Algoritmo não supervisionado muito simples e fácil de entender |
| Implementação de código de árvore de decisão | O modelo de árvore é na verdade uma implementação recursiva |
| Implementação de código de rede neural | A quantidade de código é um pouco grande, por isso é recomendado aprender o modo de depuração. |
| Implementação de código bayesiano | Bayes é ainda mais fácil de explicar em tarefas de texto |
| Implementação de código de regra de associação | Algoritmos de análise de dados comumente usados |
| Crie um sistema de recomendação musical | Construa um modelo de sistema de recomendação do zero |
No combate real, os pontos de conhecimento matemático podem ser enfraquecidos, pois na maioria das vezes utilizamos kits de ferramentas prontos para completar tarefas (homem de transferência de pacotes). Existem muitas funções de economia de energia que todos precisam dominar aqui. A primeira é ser proficiente no uso desses kits de ferramentas comuns. Pré-processamento de dados, engenharia de recursos, ajuste de parâmetros e verificação são etapas essenciais. Em resumo, os processos e rotinas necessários para realizar diferentes tarefas são semelhantes, mas os métodos e algoritmos utilizados podem ser diferentes, o que exige que todos se acumulem continuamente para enriquecer a experiência prática. Esses casos fornecidos aos alunos podem ser usados como seus próprios modelos práticos!
O mais importante é aprender como pré-processar e analisar diferentes dados (valores numéricos, texto, imagens), aplicar habilmente as principais funções básicas do kit de ferramentas para participar do pré-processamento, propor múltiplas soluções para diferentes tarefas e conduzir análises experimentais. Resumindo, faça mais experimentos e mais trabalho prático. Quanto mais você escreve código, mais proficiente você se tornará!
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Algoritmo K do vizinho mais próximo na prática | Caso introdutório de aprendizado de máquina, dominando o kit de ferramentas aplicado a métodos de modelagem |
| Detecção de anomalias em dados de transação | Análise e comparação detalhadas e muito importantes de estratégias de processamento e modelagem de dados |
| Prática integrada de modelagem de algoritmos | Não preciso falar mais sobre integração, é uma estratégia central obrigatória. |
| Previsão de temperatura baseada em floresta aleatória | A floresta aleatória é o algoritmo mais comumente usado em análise e comparação detalhada. |
| Prática de classificação de notícias | Análise e processamento de dados de texto e modelagem prática baseada em algoritmo bayesiano |
| Análise da prática de clustering | Exemplos de aplicações não supervisionadas |
| análise de série temporal | Método de produção de dados de série temporal, modelagem baseada em dados de sequência |
| Aviso de rotatividade de usuários | Costumo dizer que os usuários do Fantasy Westward Journey estão perdendo, isso é apenas uma DEMO |
| Use lightgbm para previsão de tráfego de hotéis | Outro grande assassino, ainda pior que o xgboost |
| Previsão de renda prática do projeto do conjunto de dados do censo | Modelos principais, análise de dados, visualização, etc. estão todos lá. |
| Otimização Bayesiana na Prática | Mais difíceis, exemplos de uso do kit de ferramentas de otimização bayesiana |
| Comparação de métodos de recursos de texto | Comparação de métodos de extração de recursos comumente usados para dados de texto |
| Faça seu próprio kit de ferramentas | Faça sua própria bolsa para se divertir |
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Regras práticas de associação do Python | É tão fácil usar o kit de ferramentas para criar regras de associação |
| Análise e modelagem de conjunto de dados do Airbnb | Exemplos de análise e modelagem de conjuntos de dados de preços de habitação |
| Sistema de recomendação de hotéis baseado em similaridade | Para construir um sistema de recomendação para completar as recomendações de hotéis |
| Análise de regressão de vendas de produtos | A previsão de vendas, uma tarefa muito rotineira, pode ser feita com métodos rotineiros |
| Análise e modelagem de exploração de conjunto de dados PUBG | Conjunto de dados dos campos de batalha de PlayerUnknown, vamos ver quem matou você |
| Método de interpretação do modelo na prática | Como interpretar o modelo após a modelagem? Esses kits de ferramentas podem ajudá-lo a fazer isso. |
| Kit de ferramentas essencial para processamento de linguagem natural na prática | Interpretação de kits de ferramentas comuns de PNL e exemplos práticos |
| Previsão de probabilidade de reembolso do cliente bancário | Dados de clientes bancários para prever a probabilidade de reembolso |
| Prática de análise de cluster de recursos de imagem | Como agrupar dados de imagem? |
| Previsão de renda prática do projeto do conjunto de dados do censo | Modelos principais, análise de dados, visualização, etc. estão todos lá. |
Todo mundo ouve a palavra análise de dados todos os dias, mas o que devemos fazer? Nada mais é do que obter informações valiosas a partir de dados, e ainda existem muitos métodos e rotinas. Essa direção não exige nenhum acúmulo teórico, basta usar os dados e fazer! O acúmulo de casos é o processo de aprendizagem!
Simplificando, a mineração de dados é a aplicação de algoritmos de aprendizado de máquina a grandes quantidades de dados para obter os resultados desejados. O foco na mineração de dados não é a escolha do algoritmo de aprendizado de máquina, mas como processar os dados para obter melhores resultados de previsão. Aqui, a engenharia de recursos e o pré-processamento se tornarão a solução principal.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Previsões de resgate do Titanic | Caso clássico de competição kaggle, o primeiro projeto prático para mineração de dados de nível básico |
| Construção de recursos de dados | A engenharia de recursos é o núcleo da mineração de dados. Com base no sklearn, vários métodos de construção de recursos são explicados. |
| Prática de retrato do usuário | Todo mundo já deve ter ouvido falar de retratos de usuários. Como aplicar dados para completar o retrato? |
| Exemplo de estratégia de integração | Na mineração de dados, as estratégias de integração são geralmente escolhidas para melhorar melhor o efeito. |
| Combate real Xgboost | Um típico representante na integração e uma arma assassina na competição |
| Previsão de intenção de compra da JD.com | Problema de previsão clássico, tarefas de previsão completas com base em dados históricos de comportamento do usuário |
| pesquisa de ciência de dados kaggle | Exiba visualmente os participantes da competição kaggle |
| previsão do preço da casa | Casos básicos de mineração de dados para dominar rapidamente as rotinas |
| Análise de usuário sensível à energia | Exemplos de competição, explicando principalmente o papel da engenharia de recursos |
| previsão de série temporal do fbprophet | Um algoritmo muito prático para previsão de séries temporais, muito simples de usar |
Selecionamos casos de competição em grande escala, como Tianchi, Kaggle e Rongji para todos, e os códigos e soluções fornecidos são as ideias de solução dos vencedores durante a competição. Assim como se você quiser aprender a jogar xadrez, você terá que jogar com os melhores jogadores para se aprimorar. Cada caso explicará as ideias do vencedor e a solução geral e fornecerá a implementação do código. Muito útil para que todos possam melhorar!
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Análise da atividade do usuário em vídeo curto Kuaishou | Preveja a próxima atividade com base nos dados de comportamento do usuário |
| Previsão de Produção Química Industrial | Analise dados e modelos da indústria química para prever a eficiência da produção |
| Previsão inteligente do tempo de viagem cidade-estrada | Uma competição muito realista, que prevê o tempo de viagem com base em dados rodoviários |
| Kit de ferramentas interpretáveis para modelagem de engenharia de recursos | Um dos aspectos mais difíceis da mineração de dados é a interpretação de recursos. Esses kits de ferramentas são muito úteis. |
| Dados médicos de diabetes nomeados reconhecimento de entidade | Explicação do algoritmo de reconhecimento de entidade nomeada e análise de exemplo de aplicação |
| Engenharia de recursos do modelo de controle de risco da plataforma de empréstimo | Usar modelos gráficos para construir engenharia de recursos é uma ideia amplamente utilizada. |
| Modelo de extração de palavras-chave de notícias | Pode-se dizer que a extração de palavras-chave é uma habilidade essencial para a PNL |
| Modelo prático de projeto de aprendizado de máquina | O modelo está aqui. Você pode aplicá-lo em tarefas futuras. |
| Análise de usuário sensível à energia | Exemplos de competição, explicando principalmente o papel da engenharia de recursos |
A mineração de dados utiliza principalmente modelagem para fazer previsões, enquanto a análise de dados se concentra na exibição visual e na análise do impacto de vários indicadores nos resultados. Selecionamos para você alguns casos de análise clássicos, muitos dos quais podem ser usados diretamente como modelos.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Técnicas de desenho de gráfico de dispersão | Já foi dito que a visualização é o ponto chave e o desenho é definitivamente obrigatório. |
| Análise e modelagem de operação de táxi em Nova York | Depois de usar muitos kits de ferramentas, você poderá se familiarizar com a forma de analisar e exibir dados geográficos. |
| Tarefa de recomendação de filmes com base em análise estatística | Métodos comumente usados para análise estatística e recomendações |
| Modelos de análise de dados e aprendizado de máquina | Este modelo é realmente abrangente, incluindo análise, exibição, modelagem e avaliação. |
| Redução da dimensionalidade dos dados | Análise comparativa e exibição de vários algoritmos de redução de dimensionalidade comumente usados |
| Exibição visual do produto e processamento de texto | Pré-processamento de dados de texto e exibição visual |
| análise multivariada | A análise multivariada também é um método comum na análise de dados |
| Análise do conjunto de dados de pedidos de produtos | Análise do conjunto de dados do pedido |
| Análise de dados de empréstimos KIVA | Análise do conjunto de dados de empréstimos |
Pode-se dizer que o aprendizado profundo é o algoritmo mais útil no momento e pode ser usado em vários campos. Na verdade, o núcleo ainda está na visão computacional e no processamento de linguagem natural, porque os algoritmos de redes neurais são mais adequados para dados de imagem e texto. As principais coisas que você precisa dominar são algoritmos e estruturas. Algoritmos são modelos de rede clássicos, como CNN e RNN, e estruturas são ferramentas práticas, como tenorflow, Pytorch, etc., que serão discutidas em detalhes posteriormente.
Parece que quando muitos amigos recebem uma tarefa agora, seu primeiro pensamento é usar o aprendizado profundo diretamente. Se o aprendizado profundo fosse difícil e complicado de fazer, ainda seria tão popular? Na verdade, pelo contrário, acho que o aprendizado profundo é realmente muito mais simples do que o aprendizado de máquina. No aprendizado de máquina, precisamos escolher diferentes métodos de pré-processamento e apresentar métodos de construção de engenharia para dados diferentes. As rotinas de aprendizagem profunda são relativamente mais fixas e, com essas estruturas de código aberto e as principais arquiteturas de rede clássicas, geralmente tudo o que precisamos fazer é aplicá-las. A dificuldade geral é mais fácil do que a tarefa de aprendizado de máquina (relativamente falando!).
| Nome do algoritmo | Visão geral do conteúdo |
|---|---|
| rede neural | A rede neural é a mais básica, o que equivale a estabelecer as bases para o aprendizado das redes subsequentes. |
| rede neural convolucional | Isso parece familiar para todos, o irmão mais velho do aprendizado profundo! Rede principal de visão computacional |
| rede neural recorrente | Bei Qiao Feng e Nan Murong são os irmãos mais velhos no processamento de linguagem natural! |
| rede geradora adversária | É um modelo popular agora, é divertido de brincar e pode ser usado para várias fusões de imagens. |
| modelo de rede de sequência | Arquiteturas comumente usadas em PNL, modelos de tradução de aprendizado de máquina, têm muitos pontos de aplicação |
| Principais arquiteturas de rede clássicas | A CNN e a RNN mencionadas agora são modelos de rede relativamente básicos e há muitas extensões baseadas neles que todos precisam dominar. |
A estrutura é como dizer que você projeta um modelo de rede, mas seria muito problemático concluir você mesmo todos os processos de cálculo específicos. A estrutura fornece um método de cálculo eficiente e não exige que o completemos, um conjunto de cálculos totalmente automáticos. Equivale a que basta projetar a estrutura e deixar a construção específica para ela. O que é necessário para jogar o aprendizado profundo é uma estrutura.
Tensorflow, Pytorch, keras, caffe, etc., existem tantos frameworks, qual devo escolher? Existem grandes diferenças entre diferentes estruturas? Os mais populares agora são o tensorflow e o PyTorch, que são equivalentes ao KFC e ao McDonald's. Ambos são muito fortes. Quanto a qual escolher, consulte a respectiva equipe de projeto e os requisitos da tarefa. Se eu tivesse que recomendar um, recomendaria o PyTorch a todos porque é mais conciso e popular. Eu usei todas essas estruturas. O principal motivo é que muitas vezes preciso consultar artigos e projetos de código aberto em meu trabalho. Geralmente acompanho as estruturas usadas para o código-fonte em artigos de outras pessoas para desenvolvimento secundário. usará essas estruturas mais cedo ou mais tarde!
Não existe teoria para falar sobre o framework e não há necessidade de ler todo tipo de explicação longa, apenas use-o! Na verdade, é um kit de ferramentas, você pode aprender enquanto o usa, e os casos podem ser usados como modelos para resumir!
| Nome do quadro | Visão geral do conteúdo |
|---|---|
| Estrutura do café | A estrutura de nível divino dos tempos antigos caiu em desgraça agora. Foi a primeira estrutura que aprendi. |
| Versão Tensorflow2 | A versão 2 fez muitas melhorias e é finalmente mais fácil de usar. É muito mais confortável de usar do que a versão 1. |
| Keras | Em uma frase, é simples! Simples! Simples! Não há necessidade de aprender, é muito fácil de entender olhando o código |
| PyTorch | O framework mais popular nesta fase, estimo que também será o framework mais popular deste ano (2020), recomendado! |
Fornecemos diversos casos práticos para cada estrutura principal de aprendizado profundo. Qual deles você usa depende de sua preferência!
Não preciso explicar que ele é produzido pelo Google. Muitos dos projetos de código aberto do Google são definitivamente baseados na estrutura TF. Se você quiser estudar ou consultar projetos e artigos de código aberto de outras pessoas, você deve aprender TF. Também é amplamente utilizado na indústria. Essa onda com certeza vai valer a pena!
| Nome do caso | Visão geral do conteúdo |
|---|---|
| instalação e introdução do tensorflow | A versão 2 é introduzida no método de instalação, basta percorrê-la brevemente. |
| Interpretação dos princípios da rede neural e arquitetura geral | Revise a arquitetura da rede neural |
| Construa uma rede neural para tarefas de classificação e regressão | Use TF para concluir tarefas básicas de classificação e regressão e dominar seus métodos de aplicação |
| Princípios de redes neurais convolucionais e interpretação de parâmetros | A arquitetura da CNN é explicada detalhadamente para cada parâmetro. |
| Prática de identificação de cães e gatos | A clássica tarefa de classificação de imagens, tem muito o que falar aqui, é muito importante |
| Exemplos de aprimoramento de dados de imagem | Pode-se dizer que o aprimoramento de dados é agora uma habilidade obrigatória. |
| Estratégia de treinamento-transferência de aprendizagem na prática | O efeito trazido pela aprendizagem por transferência ainda é muito bom. |
| Interpretação dos princípios de redes neurais recursivas e vetores de palavras | Interpretação do modelo RNN |
| Implementando word2vec baseado em TensorFlow | Interpretação e implementação do modelo vetorial Word com base em TF |
| Tarefa de classificação de texto baseada no modelo RNN | Conclua tarefas de classificação de texto com base em TF |
| tfrecord cria fonte de dados | Exemplo de produção de fonte de dados |
| Aplicar a rede CNN à prática de classificação de texto | CNN também pode realizar classificação de texto |
| previsão de série temporal | Exemplos de processamento e modelagem de dados de série temporal |
| Redes Gerativas Adversariais na Prática | GAN está aqui, isso é tão divertido |
| Fusão prática de imagens baseada no projeto de código aberto CycleGan | Meu GAN favorito para jogar, o efeito é bem divertido! |
| Arquitetura de rede clássica Resnet na prática | Você pode aprender a arquitetura de rede que deve entender! |
No final de 2019, o número de usuários do framework Pytorch ultrapassou o tensorflow para se tornar o framework mais popular do momento. O motivo é na verdade muito simples. A sensação geral é realmente mais fácil de usar do que o tensorflow e muito conveniente para depurar. Também é recomendado que os iniciantes dêem prioridade ao framework Pytorch.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Operações básicas de processamento da estrutura PyTorch | Basta se familiarizar com o PyTorch e é muito fácil começar. |
| Tarefas práticas de classificação e regressão de redes neurais | Usar PyTorch para construir um modelo de rede neural é realmente mais fácil de usar do que TF |
| Princípios de redes neurais convolucionais e interpretação de parâmetros | Arquitetura do modelo CNN e interpretação do livro de parâmetros |
| Interpretação prática do módulo principal de reconhecimento de imagem | Muito importante, o módulo principal de processamento de imagem no PyTorch |
| O papel e os exemplos de aplicação da aprendizagem por transferência | Carregando modelos no PyTorch para aprendizagem por transferência |
| Interpretação dos princípios de redes neurais recursivas e vetores de palavras | Interpretação da arquitetura do modelo RNN |
| Prática prática na classificação de textos de conjuntos de dados de notícias | Construa um modelo de classificação de texto baseado em PyTorch |
| Princípios e análise prática da arquitetura de rede generativa adversária | Interpretação popular do modelo GAN |
| Fusão prática de imagens baseada no projeto de código aberto CycleGan | Versão PyTorch do CYCLEGAN, este projeto de código aberto está muito bem escrito |
| Princípio de reconhecimento de texto OCR | O princípio do OCR é na verdade muito simples e requer a ajuda de vários modelos para ser concluído. |
| Prática de projeto de reconhecimento de texto OCR | Construir modelo de rede OCR |
| Análise de vídeo e reconhecimento de ação baseado em convolução 3D | Use convolução 3D para processar dados de vídeo e concluir o reconhecimento de comportamento |
| Modelo prático de BERT baseado em PyTorch | A arquitetura do BERT é tão popular que é um dos modelos obrigatórios. |
| Interpretação de modelos práticos do framework PyTorch | Forneça um modelo para que tarefas futuras possam ser melhoradas com base no modelo |
A sensação geral é que você não precisa aprender nada, basta usá-lo diretamente do case. A versão TF2 é na verdade muito semelhante ao keras. Adequado para fazer experimentos e escrever trabalhos, simples e rápido!
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Instalação e introdução | Keras é fácil de instalar e começar, com base no TF |
| Construir um modelo de rede neural | Construir um modelo de rede neural para testar as águas |
| Outra batalha com redes neurais convolucionais | Os modelos CNN também são muito fáceis de construir |
| Tarefa de previsão de séries temporais LSTM | Modelo LSTM aplicado às tarefas de séries temporais |
| Prática de classificação de texto | Exemplo de classificação de texto |
| Vários rótulos e vários saídas | As tarefas de vários rótulos são muito comuns e têm um ótimo valor de aprendizado |
| Prática prática na classificação de texto de conjuntos de dados de notícias | Tarefa de classificação de texto com base em Keras |
| aumento de dados | Interpretação de exemplos de aumento de dados |
| Rede generativa adversária | Arquitetura Gan, é mais fácil usar as keras |
| Transfira o aprendizado e a rede residual de resnet | Você deve brincar com o modelo Resnet você mesmo |
| Endereçar o código postal tarefa de sequência múltipla | Exemplo de modelo de texto |
| Prática de rede SEQ2SEQ | O modelo de rede de sequência ainda é amplamente utilizado. |
| Resumo de modelos práticos | O modelo Keras é fornecido para todos. |
Eu acho que Tensorflow e Pytorch já estão disponíveis nesta fase, e não é a vez de Caffe aparecer por enquanto. Pode haver alguns trabalhos e tarefas que ainda exigem a estrutura do CAFFE.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| Interpretação do arquivo de configuração de cafe | Interpretação de arquivos de configuração comumente usados da estrutura Caffe |
| Vários métodos de construção do conjunto de dados | Método de construção do conjunto de dados, isso é muito importante |
| Interpretação de ferramentas comuns de cafe | Existem muitas pequenas ferramentas incorporadas para concluir tarefas rapidamente |
| Detecção de rosto na prática | Construa um modelo de detecção de rosto baseado na estrutura Caffe |
| Prática prática de localizar pontos -chave faciais | Modelo completo de reconhecimento de ponto de chave facial com base na estrutura de Caffe |
Não preciso dizer muito sobre a indústria de visão computacional, é a mais popular no momento. Então, o que você precisa aprender? O núcleo é na verdade duas partes, uma é o processamento da imagem e o outro é a modelagem de imagens. O chamado processamento de imagem é o que o OpenCV faz. A modelagem de imagens usa principalmente aprendizado profundo para concluir tarefas como detecção e reconhecimento. Nesta fase de estudo, acho que você não precisa ler sobre os algoritmos de processamento de imagens tradicionais.
É recomendável que você escolha a versão Python para aprender e usá -la. Se você encontrar algo que não conhece, verifique mais a API. Basicamente, todas as funções no OpenCV envolvem muitas fórmulas matemáticas.
Preparamos muitos recursos e casos de aprendizado para todos.
| Nome do caso | Visão geral do conteúdo |
|---|---|
| OpenCV Introdução e configuração do ambiente | Instalação e configuração do ambiente |
| Operações básicas de imagem | Use OpenCV para concluir operações e práticas básicas de processamento de imagem! |
| Limiar e suavização | As operações de processamento mais usadas podem ser concluídas com apenas algumas linhas de código |
| Operações de morfologia da imagem | Apenas se familiarize com essas operações morfológicas |
| Cálculo do gradiente de imagem | Exemplo de cálculo do gradiente de imagem |
| Detecção de borda | A detecção de borda tem uma ampla gama de aplicações |
| Pirâmide de imagem e detecção de contorno | Exemplo de detecção de contorno, o efeito ainda é bom |
| Histograma e transformada de Fourier | Apenas se familiarize com isso |
| Identificação digital de cartão de crédito da prática do projeto | Faça um projeto prático para detectar e identificar números de cartão de crédito |
| Projeto Prática-documentos Discumentos OCR Reconhecimento | Documento de digitalização Dados para o reconhecimento de OCR |
| Recursos de imagem-Harris | Métodos de extração de recursos comumente usados, o algoritmo é simples e familiar |
| Recursos de imagem-SIFT | O método de extração de recursos mais antigo, ainda requer muita matemática. |
| Caso prática-panorâmica costura | Todo mundo deve ter brincado com a câmera panorâmica, como alcançá -la? |
| Identificação de espaço para estacionamento de prática do projeto | Projeto de serviço pesado, construindo um modelo de reconhecimento de estacionamento do zero |
| Identificação e julgamento de cartões de prática de prática do projeto | Vamos também nos divertir com marcação automática |
| Modelagem de fundo | Métodos de tratamento convencionais |
| Estimativa de fluxo óptico | Apenas esteja familiarizado com isso |
| Módulo OpenCV DNN | Carregue o modelo treinado para reconhecimento |
| Prática do projeto - rastreamento de metas | O efeito de rastreamento é bastante interessante. |
| Princípios e operações de convolução | Onde quer que a convolução dê, é o núcleo. |
| Detecção de Fatiguas da Prática do Projeto | Detectando fadiga com base na câmera |
Eu recomendo que os alunos que estão se preparando para entrevistas de emprego lidassem tudo isso. O código dentro do valor será relativamente grande, por isso é recomendável começar com o modo de depuração e observar a linha por linha.
Recomendamos o projeto prático da máscara-rcnn. Os cenários de aplicativos são muito amplos e também é adequado para o desenvolvimento e melhoria secundária. Vou me concentrar em explicar o projeto e aplicá -lo a mim mesmo.
| Nome do projeto | Visão geral do conteúdo |
|---|---|
| Transferência de estilo de imagem (transferência de estilo) | Principalmente para aprender suas idéias, o efeito ainda é muito interessante |
| Complete automaticamente imagens ausentes | Existem muitos cenários de aplicação para a rede GaN, e as imagens também podem ser reparadas por si mesmas. |
| Reconstrução de super-resolução | Uma das principais áreas de pesquisa nos últimos anos, os resultados deste artigo já são muito bons. |
| Projeto de Estrutura de Detecção de Objetos-Maskrcnn | Este é o projeto de código aberto que eu destaque, um imperdível! Imperdível! Imperdível! |
| Explicação detalhada do código -fonte da estrutura de rede Maskrcnn | O código -fonte é muito importante, você precisa entender todas as linhas! |
| Treine seus próprios dados com base na estrutura Mask-Rcnn | Como rotular dados de imagem e treiná -los? Aqui está a sua resposta |
| Demonstração de reconhecimento de postura humana | Existem muitos cenários de aplicação para o Maskrcnn |
| Detecção de objetos Série mais rápida | Um trabalho clássico sobre detecção de objetos que pode ser usado como um recurso de aprendizado |
| Fusão de imagem prática com base no projeto de código aberto do ciclogan | Versão Pytorch do Cyclegan, este projeto de código aberto está muito bem escrito |
| Princípio de reconhecimento de texto OCR | O princípio do OCR é realmente muito simples e requer a assistência de vários modelos para concluí -lo. |
| Prática do Projeto de Reconhecimento de Texto OCR | Construir modelo de rede OCR |
| Análise de vídeo e reconhecimento de ação com base na convolução 3D | Use a convolução 3D para processar dados de vídeo e completar o reconhecimento de comportamento |
Pode -se dizer que a dificuldade é bastante alta. Mas os dados de texto não são tão fixos e, às vezes, não é fácil para os seres humanos entenderem, muito menos os computadores. Os altos desafios também são altos benefícios.
Em 2018, foi lançado um artigo do Google, Bert! É equivalente a uma estrutura de solução geral para o processamento de linguagem natural e pode basicamente realizar todas as tarefas! Isso exige que todos se concentrem no aprendizado, e pode ser escrito como um projeto em seu currículo.
| Nome do projeto | Visão geral do conteúdo |
|---|---|
| modelo de linguagem | O modelo de idioma exige que todos estejam familiarizados com a base dos vetores de palavras subsequentes. |
| Use Gemsim para construir vetores de palavras | Gensim é um pacote realmente útil! |
| Tarefa de classificação com base no Word2vec | Vamos primeiro usar este exemplo para entender como usar vetores de palavras |
| Comparação dos métodos de recurso de texto NLP | Existem muitas maneiras de construir recursos de texto, qual é melhor? |
| Análise de sentimentos LSTM | Use este projeto para entender como é a entrada exigida por um modelo RNN |
| Modelo NLP-similaridade | Método de cálculo de similaridade de texto |
| Bot de conversação | Construa um chatbot baseado na estrutura do tensorlfow |
| Crie seu próprio método de entrada | Você pode construir seu próprio método de entrada? Ajude você a fazer isso! |
| Robot escreve poesia Tang | Dê uma olhada na poesia Tang escrita pelo modelo! |
| Caixa de tradução da máquina NMT | Projeto de código aberto, capaz de desenvolvimento secundário |
| Endereçar o código postal tarefa de sequência múltipla | Tarefas de classificação de texto clássicas |
| Princípio de Bert, uma estrutura geral para processamento de linguagem natural | Este é o Bert mencionado acima, o ponto! O ponto! O ponto! |
| Interpretação do código fonte do projeto de código aberto do Google Bert | O código -fonte é muito importante, toda linha precisa ser entendida |
| Análise de sentimentos chineses com base em Bert | Desenvolvimento de modelos com base em projetos de código aberto |
| Reconhecimento de entidades nomeado chinês com base em Bert | Reconhecimento de entidade nomeado com base em projetos de código aberto |
Por meio de cursos on -line e treinamento corporativo offline nos últimos anos, conheci muitos amigos. Todo mundo me conhece basicamente através de cursos de vídeo, e estou muito feliz por poder trazer benefícios a todos. Obrigado a tantos amigos pelo apoio deles, vamos lá, você é tudo de bom!
