ai learning roadmap
1.0.0
รายการสื่อการเรียนรู้ที่เกี่ยวข้องกับ AI และเครื่องมือที่ใช้งานได้จริงทั้งหมดเพื่อเริ่มต้นใช้งานแอป AI
ห้องทดลองแบบเรียนรู้ด้วยตนเอง
ห้องปฏิบัติการที่ดำเนินการด้วยตนเองของ AWS ให้การฝึกฝนจริงในสภาพแวดล้อม AWS แบบสดพร้อมบริการของ AWS และสถานการณ์ระบบคลาวด์ในโลกแห่งความเป็นจริง ทำตามคำแนะนำทีละขั้นตอนเพื่อเรียนรู้บริการ ฝึกฝนกรณีการใช้งาน หรือเตรียมพร้อมสำหรับ AWS Certification
ห้องปฏิบัติการเบื้องต้น
ไฟแนนเชี่ยล
พอลลี่
การรับรู้
การเรียนรู้ของเครื่อง
การเรียนรู้ของเครื่อง
เซสชันที่ 1 – เสริมศักยภาพนักพัฒนาเพื่อสร้างแอปพลิเคชันอัจฉริยะ
เซสชันที่ 2 - การคาดการณ์การเลิกใช้งานของลูกค้าด้วย Amazon Machine Learning
AWS Machine Learning – บริการที่ได้รับการจัดการตั้งแต่ต้นจนจบสำหรับการสร้างและทดสอบโมเดล ML จากนั้นปรับใช้โมเดลเหล่านั้นในการใช้งานจริง
เอกสารประกอบ
AWS Deep Learning AMI – Amazon Machine Image (AMI) ได้รับการปรับให้เหมาะสมสำหรับการเรียนรู้เชิงลึก
แหล่งข้อมูลเพิ่มเติมที่แนะนำ
ยกระดับทักษะของคุณไปอีกระดับด้วยห้องปฏิบัติการระดับพื้นฐาน ขั้นสูง และระดับผู้เชี่ยวชาญ
ด้านล่างนี้คือสื่อการเรียนรู้ที่จะช่วยให้คุณเรียนรู้เกี่ยวกับ Google Cloud
เครือข่าย
Codelab มอบประสบการณ์ทั่วไปสำหรับนักพัฒนาระบบคลาวด์ดังนี้:
การพัฒนาโซลูชันสำหรับแพลตฟอร์ม Google Cloud – 8 ชั่วโมง
โครงสร้างพื้นฐาน
ข้อมูล
AI ข้อมูลขนาดใหญ่ และการเรียนรู้ของเครื่อง
วัสดุ AI เพิ่มเติม
(ไม่บังคับ) การเรียนรู้เชิงลึกและเทนเซอร์โฟลว์
วัสดุอ้างอิงเพิ่มเติม
(ยินดีต้อนรับผลงานในพื้นที่นี้)
วิชวลสตูดิโอ
ชุดข้อมูล UCI
ทักษะเบื้องต้น
เส้นทางการฝึกอบรม
หากคุณมีทักษะที่จำเป็นข้างต้น ให้เลือกเส้นทางการฝึกอบรมขั้นสูง หรือเลือกเส้นทางการฝึกอบรมมือใหม่
บทช่วยสอนเบื้องต้น
การตั้งค่าสภาพแวดล้อม
บริการทางปัญญา (กำหนดความฉลาด)
Bot Framework (การสร้างแชทบอท)
การตั้งค่าสภาพแวดล้อม
บริการทางปัญญา (กำหนดความฉลาด)
Bot Framework (การสร้างแชทบอท)
บริการทางปัญญา (กำหนดความฉลาด) - ห้องทดลอง
Bot Framework (การสร้างแชทบอท) – แล็บ
ที่มา เบิร์กลีย์
| ชื่อการบรรยาย | อาจารย์ | ภาคเรียน | |
| การบรรยายครั้งที่ 1 | การแนะนำ | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 2 | การค้นหาที่ไม่ทราบข้อมูล | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 3 | การค้นหาอย่างมีข้อมูล | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 4 | ปัญหาความพึงพอใจที่จำกัด I | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 5 | ปัญหาความพึงพอใจที่จำกัด II | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 6 | การค้นหาฝ่ายตรงข้าม | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 7 | Expectimax และยูทิลิตี้ | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 8 | กระบวนการตัดสินใจของมาร์คอฟ I | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| การบรรยายครั้งที่ 9 | กระบวนการตัดสินใจของมาร์คอฟ II | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| บรรยายครั้งที่ 10 | การเรียนรู้แบบเสริมกำลัง I | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| บรรยายครั้งที่ 11 | การเรียนรู้แบบเสริมกำลัง II | แดน ไคลน์ | ฤดูใบไม้ร่วง 2555 |
| บรรยายครั้งที่ 12 | ความน่าจะเป็น | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 13 | โมเดลมาร์คอฟ | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 14 | โมเดลมาร์คอฟที่ซ่อนอยู่ | แดน ไคลน์ | ฤดูใบไม้ร่วง 2013 |
| บรรยายครั้งที่ 15 | การประยุกต์ใช้ HMM / คำพูด | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 16 | Bayes 'Nets: การเป็นตัวแทน | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 17 | Bayes' Nets: ความเป็นอิสระ | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 18 | ตาข่ายของ Bayes: การอนุมาน | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 19 | ตาข่ายของ Bayes: การสุ่มตัวอย่าง | ปีเตอร์ แอบบีล | ฤดูใบไม้ร่วง 2013 |
| บรรยายครั้งที่ 20 | แผนภาพการตัดสินใจ / คุณค่าของข้อมูลที่สมบูรณ์แบบ | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 21 | การเรียนรู้ของเครื่อง: Naive Bayes | นิโคลัส เฮย์ | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 22 | การเรียนรู้ของเครื่อง: เพอร์เซปตรอน | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 23 | การเรียนรู้ของเครื่อง: เคอร์เนลและการจัดกลุ่ม | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 24 | แอปพลิเคชันขั้นสูง: NLP เกม และรถยนต์หุ่นยนต์ | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
| บรรยายครั้งที่ 25 | การใช้งานขั้นสูง: คอมพิวเตอร์วิทัศน์และหุ่นยนต์ | ปีเตอร์ แอบบีล | ฤดูใบไม้ผลิ 2014 |
นอกจากนี้ยังมีวิดีโอทีละขั้นตอนเพิ่มเติมที่เสริมเนื้อหาการบรรยายอีกด้วย วิดีโอเหล่านี้อยู่ด้านล่าง:
| ชื่อการบรรยาย | อาจารย์ | หมายเหตุ | |
| เอสบีเอส-1 | ดีเอฟเอส และบีเอฟเอส | ปีเตอร์ แอบบีล | เล็ก: การค้นหาโดยไม่รู้ข้อมูล |
| เอสบีเอส-2 | ก* ค้นหา | ปีเตอร์ แอบบีล | Lec: การค้นหาอย่างมีข้อมูล |
| เอสบีเอส-3 | การตัดแต่งกิ่งอัลฟ่าเบต้า | ปีเตอร์ แอบบีล | Lec: การค้นหาฝ่ายตรงข้าม |
| เอสบีเอส-4 | D-แยก | ปีเตอร์ แอบบีล | เล็ก: Bayes' Nets: อิสรภาพ |
| เอสบีเอส-5 | การกำจัดตัวแปรหนึ่งตัว | ปีเตอร์ แอบบีล | เลค: ตาข่ายของเบย์: การอนุมาน |
| เอสบีเอส-6 | การกำจัดตัวแปร | ปีเตอร์ แอบบีล | เลค: ตาข่ายของเบย์: การอนุมาน |
| เอสบีเอส-7 | การสุ่มตัวอย่าง | ปีเตอร์ แอบบีล | เล็ก: Bayes' Nets: การสุ่มตัวอย่าง |
| เอสบีเอส-8 | ความเป็นไปได้สูงสุด | ปีเตอร์ แอบบีล | เล็ก: การเรียนรู้ของเครื่อง: Naive Bayes |
| เอสบีเอส-9 | การปรับให้เรียบลาปลาซ | ปีเตอร์ แอบบีล | เล็ก: การเรียนรู้ของเครื่อง: Naive Bayes |
| เอสบีเอส-10 | เพอร์เซปตรอน | ปีเตอร์ แอบบีล | เล็ก: การเรียนรู้ของเครื่อง: Perceptrons |
วิดีโอการบรรยายจากข้อเสนอล่าสุดมีการโพสต์ด้านล่าง
วิดีโอบรรยายฤดูใบไม้ผลิ 2014
วิดีโอบรรยายฤดูใบไม้ร่วง 2013
วิดีโอบรรยายฤดูใบไม้ผลิ 2013
วิดีโอบรรยายฤดูใบไม้ร่วง 2012
| ชื่อการบรรยาย | อาจารย์ | หมายเหตุ | |
| การบรรยายครั้งที่ 1 | การแนะนำ | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 2 | การค้นหาที่ไม่ทราบข้อมูล | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 3 | การค้นหาอย่างมีข้อมูล | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 4 | ปัญหาความพึงพอใจที่จำกัด I | ปีเตอร์ แอบบีล | การบันทึกค่อนข้างไม่สม่ำเสมอ โปรดดูทางเลือกอื่นใน Fall 2013 Lecture 4 |
| การบรรยายครั้งที่ 5 | ปัญหาความพึงพอใจที่จำกัด II | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 6 | การค้นหาฝ่ายตรงข้าม | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 7 | Expectimax และยูทิลิตี้ | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 8 | กระบวนการตัดสินใจของมาร์คอฟ I | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 9 | กระบวนการตัดสินใจของมาร์คอฟ II | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 10 | การเรียนรู้แบบเสริมกำลัง I | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 11 | การเรียนรู้แบบเสริมกำลัง II | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 12 | ความน่าจะเป็น | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 13 | โมเดลมาร์คอฟ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 14 | โมเดลมาร์คอฟที่ซ่อนอยู่ | ปีเตอร์ แอบบีล | การบันทึกค่อนข้างไม่สม่ำเสมอ โปรดดู Fall 2013 Lecture 18 เพื่อดูทางเลือกอื่น |
| บรรยายครั้งที่ 15 | การประยุกต์ใช้ HMM / คำพูด | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 16 | Bayes 'Nets: การเป็นตัวแทน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 17 | Bayes' Nets: ความเป็นอิสระ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 18 | ตาข่ายของ Bayes: การอนุมาน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 19 | ตาข่ายของ Bayes: การสุ่มตัวอย่าง | ปีเตอร์ แอบบีล | ไม่ได้บันทึกไว้ ดู Fall 2013 Lecture 16 |
| บรรยายครั้งที่ 20 | แผนภาพการตัดสินใจ / คุณค่าของข้อมูลที่สมบูรณ์แบบ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 21 | การเรียนรู้ของเครื่อง: Naive Bayes | นิโคลัส เฮย์ | |
| บรรยายครั้งที่ 22 | การเรียนรู้ของเครื่อง: เพอร์เซปตรอน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 23 | การเรียนรู้ของเครื่อง: เคอร์เนลและการจัดกลุ่ม | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 24 | แอปพลิเคชันขั้นสูง: NLP เกม และรถยนต์หุ่นยนต์ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 25 | การใช้งานขั้นสูง: คอมพิวเตอร์วิทัศน์และหุ่นยนต์ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 26 | บทสรุป | ปีเตอร์ แอบบีล | ไม่ได้บันทึก |
| ชื่อการบรรยาย | อาจารย์ | หมายเหตุ | |
| การบรรยายครั้งที่ 1 | การแนะนำ | แดน ไคลน์ | |
| การบรรยายครั้งที่ 2 | การค้นหาที่ไม่ทราบข้อมูล | แดน ไคลน์ | |
| การบรรยายครั้งที่ 3 | การค้นหาอย่างมีข้อมูล | แดน ไคลน์ | |
| การบรรยายครั้งที่ 4 | ปัญหาความพึงพอใจที่จำกัด I | แดน ไคลน์ | |
| การบรรยายครั้งที่ 5 | ปัญหาความพึงพอใจที่จำกัด II | แดน ไคลน์ | |
| การบรรยายครั้งที่ 6 | การค้นหาฝ่ายตรงข้าม | แดน ไคลน์ | |
| การบรรยายครั้งที่ 7 | Expectimax และยูทิลิตี้ | แดน ไคลน์ | |
| การบรรยายครั้งที่ 8 | กระบวนการตัดสินใจของมาร์คอฟ I | แดน ไคลน์ | |
| การบรรยายครั้งที่ 9 | กระบวนการตัดสินใจของมาร์คอฟ II | แดน ไคลน์ | |
| บรรยายครั้งที่ 10 | การเรียนรู้แบบเสริมกำลัง I | แดน ไคลน์ | |
| บรรยายครั้งที่ 11 | การเรียนรู้แบบเสริมกำลัง II | แดน ไคลน์ | |
| บรรยายครั้งที่ 12 | ความน่าจะเป็น | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 13 | Bayes 'Nets: การเป็นตัวแทน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 14 | Bayes' Nets: ความเป็นอิสระ | แดน ไคลน์ | |
| บรรยายครั้งที่ 15 | ตาข่ายของ Bayes: การอนุมาน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 16 | ตาข่ายของ Bayes: การสุ่มตัวอย่าง | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 17 | แผนภาพการตัดสินใจ / คุณค่าของข้อมูลที่สมบูรณ์แบบ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 18 | โมเดลมาร์คอฟที่ซ่อนอยู่ | แดน ไคลน์ | |
| บรรยายครั้งที่ 19 | การประยุกต์ใช้ HMM / คำพูด | แดน ไคลน์ | |
| บรรยายครั้งที่ 20 | การเรียนรู้ของเครื่อง: Naive Bayes | แดน ไคลน์ | |
| บรรยายครั้งที่ 21 | การเรียนรู้ของเครื่อง: เพอร์เซปตรอน | แดน ไคลน์ | |
| บรรยายครั้งที่ 22 | การเรียนรู้ของเครื่อง: เคอร์เนลและการจัดกลุ่ม | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 23 | การเรียนรู้ของเครื่อง: ต้นไม้การตัดสินใจและตาข่ายประสาท | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 24 | การใช้งานขั้นสูง: NLP และรถยนต์หุ่นยนต์ | แดน ไคลน์ | ไม่ได้บันทึกไว้ ดูการบรรยายฤดูใบไม้ผลิ 2013 ครั้งที่ 24 |
| บรรยายครั้งที่ 25 | การใช้งานขั้นสูง: คอมพิวเตอร์วิทัศน์และหุ่นยนต์ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 26 | บทสรุป | แดน ไคลน์, ปีเตอร์ แอบบีล | ไม่ได้บันทึก |
| ชื่อการบรรยาย | อาจารย์ | หมายเหตุ | |
| การบรรยายครั้งที่ 1 | การแนะนำ | ปีเตอร์ แอบบีล | วิดีโอลง |
| การบรรยายครั้งที่ 2 | การค้นหาที่ไม่ทราบข้อมูล | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 3 | การค้นหาอย่างมีข้อมูล | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 4 | ปัญหาความพึงพอใจที่จำกัด I | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 5 | ปัญหาความพึงพอใจที่จำกัด II | ปีเตอร์ แอบบีล | ไม่ได้บันทึกไว้ ดู Fall 2012 Lecture 5 |
| การบรรยายครั้งที่ 6 | การค้นหาฝ่ายตรงข้าม | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 7 | Expectimax และยูทิลิตี้ | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 8 | กระบวนการตัดสินใจของมาร์คอฟ I | ปีเตอร์ แอบบีล | |
| การบรรยายครั้งที่ 9 | กระบวนการตัดสินใจของมาร์คอฟ II | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 10 | การเรียนรู้แบบเสริมกำลัง I | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 11 | การเรียนรู้แบบเสริมกำลัง II | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 12 | ความน่าจะเป็น | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 13 | Bayes 'Nets: การเป็นตัวแทน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 14 | Bayes' Nets: ความเป็นอิสระ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 15 | ตาข่ายของ Bayes: การอนุมาน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 16 | ตาข่ายของ Bayes: การสุ่มตัวอย่าง | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 17 | แผนภาพการตัดสินใจ / คุณค่าของข้อมูลที่สมบูรณ์แบบ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 18 | โมเดลมาร์คอฟที่ซ่อนอยู่ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 19 | การประยุกต์ใช้ HMM / คำพูด | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 20 | การเรียนรู้ของเครื่อง: Naive Bayes | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 21 | การเรียนรู้ของเครื่อง: Perceptrons I | นิโคลัส เฮย์ | |
| บรรยายครั้งที่ 22 | การเรียนรู้ของเครื่อง: Perceptrons II | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 23 | การเรียนรู้ของเครื่อง: เคอร์เนลและการจัดกลุ่ม | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 24 | การใช้งานขั้นสูง: NLP และรถยนต์หุ่นยนต์ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 25 | การใช้งานขั้นสูง: คอมพิวเตอร์วิทัศน์และหุ่นยนต์ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 26 | บทสรุป | ปีเตอร์ แอบบีล | ไม่ได้บันทึก |
| ชื่อการบรรยาย | อาจารย์ | หมายเหตุ | |
| การบรรยายครั้งที่ 1 | การแนะนำ | แดน ไคลน์ | |
| การบรรยายครั้งที่ 2 | การค้นหาที่ไม่ทราบข้อมูล | แดน ไคลน์ | |
| การบรรยายครั้งที่ 3 | การค้นหาอย่างมีข้อมูล | แดน ไคลน์ | |
| การบรรยายครั้งที่ 4 | ปัญหาความพึงพอใจที่จำกัด I | แดน ไคลน์ | |
| การบรรยายครั้งที่ 5 | ปัญหาความพึงพอใจที่จำกัด II | แดน ไคลน์ | |
| การบรรยายครั้งที่ 6 | การค้นหาฝ่ายตรงข้าม | แดน ไคลน์ | |
| การบรรยายครั้งที่ 7 | Expectimax และยูทิลิตี้ | แดน ไคลน์ | |
| การบรรยายครั้งที่ 8 | กระบวนการตัดสินใจของมาร์คอฟ I | แดน ไคลน์ | |
| การบรรยายครั้งที่ 9 | กระบวนการตัดสินใจของมาร์คอฟ II | แดน ไคลน์ | |
| บรรยายครั้งที่ 10 | การเรียนรู้แบบเสริมกำลัง I | แดน ไคลน์ | |
| บรรยายครั้งที่ 11 | การเรียนรู้แบบเสริมกำลัง II | แดน ไคลน์ | |
| บรรยายครั้งที่ 12 | ความน่าจะเป็น | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 13 | Bayes 'Nets: การเป็นตัวแทน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 14 | Bayes' Nets: ความเป็นอิสระ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 15 | ตาข่ายของ Bayes: การอนุมาน | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 16 | ตาข่ายของ Bayes: การสุ่มตัวอย่าง | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 17 | แผนภาพการตัดสินใจ / คุณค่าของข้อมูลที่สมบูรณ์แบบ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 18 | โมเดลมาร์คอฟที่ซ่อนอยู่ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 19 | การประยุกต์ใช้ HMM / คำพูด | แดน ไคลน์ | |
| บรรยายครั้งที่ 20 | การเรียนรู้ของเครื่อง: Naive Bayes | แดน ไคลน์ | |
| บรรยายครั้งที่ 21 | การเรียนรู้ของเครื่อง: เพอร์เซปตรอน | แดน ไคลน์ | |
| บรรยายครั้งที่ 22 | การเรียนรู้ของเครื่อง: เคอร์เนลและการจัดกลุ่ม | แดน ไคลน์ | |
| บรรยายครั้งที่ 23 | การเรียนรู้ของเครื่อง: ต้นไม้การตัดสินใจและตาข่ายประสาท | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 24 | การใช้งานขั้นสูง: คอมพิวเตอร์วิทัศน์และหุ่นยนต์ | ปีเตอร์ แอบบีล | |
| บรรยายครั้งที่ 25 | การใช้งานขั้นสูง: NLP และรถยนต์หุ่นยนต์ | แดน ไคลน์, ปีเตอร์ แอบบีล | ไม่ได้บันทึก |
| บรรยายครั้งที่ 26 | บทสรุป | แดน ไคลน์, ปีเตอร์ แอบบีล | ไม่ได้บันทึก |
นี่คือชุดสไลด์บรรยายที่สมบูรณ์ รวมถึงวิดีโอ และวิดีโอสาธิตในการบรรยาย: สไลด์ [~3 GB]
รายการด้านล่างนี้ประกอบด้วยสไลด์ PowerPoint บรรยายทั้งหมด:
ไฟล์ต้นฉบับสำหรับการสาธิตสดในการบรรยายทั้งหมดกำลังเตรียมจาก Berkeley AI เพื่อเผยแพร่
การส่งเอกสาร arxiv ล่าสุดบน AI
Peter Norvig-สอนการเขียนโปรแกรมด้วยตัวเองในสิบปี
วิธีทำวิจัยที่ MIT AI Lab
แผนงานสู่ Machine Intelligence
การกรองการทำงานร่วมกันด้วยโครงข่ายประสาทเทียม (2559)
การเรียนรู้แบบกว้างและเชิงลึกสำหรับระบบผู้แนะนำ (2016)
การกรองการทำงานร่วมกันเชิงลึกผ่านตัวเข้ารหัสอัตโนมัติ Denoising Marginalized (2015)
การกรองการทำงานร่วมกันแบบมัลติทาสก์แบบไม่ใช้พารามิเตอร์แบบเบย์ (2013)
Tensorflow: แมชชีนเลิร์นนิงขนาดใหญ่บนระบบกระจายแบบต่างกัน
https://infoscience.epfl.ch/record/82802/files/rr02-46.pdf
Theano: คอมไพเลอร์นิพจน์ทางคณิตศาสตร์ของ CPU และ GPU
Caffe: สถาปัตยกรรมแบบ Convolutional เพื่อการฝังฟีเจอร์ที่รวดเร็ว
Chainer: เฟรมเวิร์กโครงข่ายประสาทเทียมที่ทรงพลัง ยืดหยุ่น และใช้งานง่าย
เครือข่ายระดับลึกแบบกระจายขนาดใหญ่
การจัดหมวดหมู่วิดีโอขนาดใหญ่พร้อมโครงข่ายประสาทเทียมแบบหมุนวน
การประมาณค่าการแสดงคำในเวกเตอร์สเปซอย่างมีประสิทธิภาพ
ไวยากรณ์ในฐานะภาษาต่างประเทศ
เจาะลึกยิ่งขึ้นด้วยการโน้มน้าวใจ
ในหน่วยเชิงเส้นที่ได้รับการแก้ไขสำหรับการประมวลผลคำพูด
โครงข่ายประสาทเทียมเชิงลึกสำหรับการสร้างแบบจำลองทางเสียงในการรู้จำเสียง: มุมมองร่วมของกลุ่มวิจัยสี่กลุ่ม
การรู้จำตัวเลขหลายหลักจากภาพ Street View โดยใช้โครงข่ายประสาทเทียมแบบ Deep Convolutional
Google เปลี่ยนการค้นหาเว็บที่มีกำไรมาสู่เครื่อง AI
Stanford Syllabus CS 20SI: Tensorflow สำหรับการวิจัยการเรียนรู้เชิงลึก
การศึกษาเปรียบเทียบกรอบซอฟต์แวร์การเรียนรู้เชิงลึก
** Reddit_ML- คุณกำลังอ่านอะไรอยู่ **
ที่มา:https://medium.com/intuitionmachine/info-best-practices-in-training-deep-learning-networks-b8a3df1db53
ที่มา:https://medium.com/intuitionmachine/the-deep-learning-roadmap-f0b4cac7009a
ที่มา: https://medium.com/intuitionmachine/info-best-practices-in-training-deep-learning-networks-b8a3df1db53
ที่มา: http://www.asimovinstitute.org/neural-network-zoo/
ที่มา: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
ที่มา: http://blogs.sas.com/content/subciousmusings/2017/04/12/machine-learning-algorithm-use/
ที่มา: http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
ที่มา: https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
ที่มา: http://datasciencefree.com/python.pdf
ที่มา: https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
ที่มา: https://www.dataquest.io/blog/numpy-cheat-sheet/
ที่มา: http://datasciencefree.com/numpy.pdf
ที่มา: https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
ที่มา: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
ที่มา: http://datasciencefree.com/pandas.pdf
ที่มา: https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
ที่มา: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
ที่มา: https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
ที่มา: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
ที่มา: https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
ที่มา: http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
ที่มา: https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
ที่มา: https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
ที่มา: https://github.com/bfortuner/pytorch-cheatsheet
ที่มา: http://www.wzchen.com/s/probability_cheatsheet.pdf
ที่มา: https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
ที่มา: http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
ที่มา: http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
