Περιεχόμενο
- Εισαγωγή στο Tensorflow για την εκμάθηση μηχανών AI και βαθιά εκμάθηση (προσφέρεται από deeplearning.ai)
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Tensorflow στην εκμάθηση πρακτικής (προσφέρεται από deeplearning.ai)
- Συγκεντρωτικά νευρωνικά δίκτυα και Tensorflow (προσφέρονται από deeplearning.ai)
- Εικόνα Κατανόηση με το Tensorflow στο GCP (προσφέρεται από την πλατφόρμα Google Cloud)
- Μηχάνημα χωρίς διακομιστές Εκμάθηση με το Tensorflow στην πλατφόρμα Google Cloud (προσφέρεται από την πλατφόρμα Google Cloud)
- Επεξεργασία φυσικής γλώσσας με Tensorflow (προσφέρεται από deeplearning.ai)
- συμπέρασμα
Πάρε μακριά:
Το Tensorflow είναι μία από τις αγαπημένες βιβλιοθήκες ανοιχτού κώδικα του μηχανικού ML για την εκπροσώπηση των λειτουργιών κώδικα που εμπλέκονται στο ML και την απεικόνιση μαθηματικών λειτουργιών που χρησιμοποιούνται σε νευρωνικά δίκτυα και σε άλλες ρυθμίσεις ML.
Το Tensorflow είναι μία από τις αγαπημένες βιβλιοθήκες ανοιχτού κώδικα του μηχανικού μάθησης (ML) για την εκπροσώπηση των λειτουργιών κώδικα που εμπλέκονται στο ML και την απεικόνιση μαθηματικών λειτουργιών που χρησιμοποιούνται σε νευρωνικά δίκτυα και άλλες ρυθμίσεις ML.
Εδώ είναι έξι μαθήματα διαθέσιμα στην εκπαιδευτική πύλη Coursera που καθοδηγούν τους μαθητές προς την πληρέστερη κατανόηση του περιβάλλοντος Tensorflow.
- Εισαγωγή στο Tensorflow για την εκμάθηση μηχανών AI και βαθιά εκμάθηση (προσφέρεται από deeplearning.ai)
- Tensorflow στην εκμάθηση πρακτικής (προσφέρεται από deeplearning.ai)
- Συγκεντρωτικά νευρωνικά δίκτυα και Tensorflow (προσφέρονται από deeplearning.ai)
- Εικόνα Κατανόηση με το Tensorflow στο GCP (προσφέρεται από την πλατφόρμα Google Cloud)
- Μηχάνημα χωρίς διακομιστές Εκμάθηση με το Tensorflow στην πλατφόρμα Google Cloud (προσφέρεται από την πλατφόρμα Google Cloud)
- Επεξεργασία φυσικής γλώσσας με Tensorflow (προσφέρεται από deeplearning.ai)
Εισαγωγή στο Tensorflow για την εκμάθηση μηχανών AI και βαθιά εκμάθηση (προσφέρεται από deeplearning.ai)
Αυτό το μάθημα βοηθά τους μαθητές να κατανοήσουν πώς να οικοδομήσουν κλιμακωτούς αλγόριθμους και πόσο βαθιά η μάθηση λειτουργεί. Τα νευρωνικά δίκτυα αποτελούν το επίκεντρο αυτής της διαφοροποιημένης πορείας που χρησιμοποιεί μερικές από τις γνώσεις του ειδικού Andrew Ng για να δείξει στους φοιτητές τις αρχές Tensorflow στην εργασία.
Πρόκειται για ένα ενδιάμεσο επίπεδο που είναι 100% σε απευθείας σύνδεση και διαρκεί περίπου οκτώ ώρες για να ολοκληρωθεί, με προτεινόμενο χρονικό διάστημα τεσσάρων εβδομάδων.
Οι μαθητές θα μάθουν να εκπαιδεύουν ένα νευρωνικό δίκτυο για την όραση του υπολογιστή, να μάθουν τις καλύτερες πρακτικές του Tensorflow, να μάθουν να κατανοούν τα συνελικτικά νευρωνικά δίκτυα και να οικοδομήσουν ένα βασικό νευρωνικό δίκτυο με το Tensorflow.
Ένας οδηγός γύρω από αυτόν τον τύπο απεικόνισης και χειρισμού των εξαρτημάτων μηχανικής μάθησης.
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
Tensorflow στην εκμάθηση πρακτικής (προσφέρεται από deeplearning.ai)
Τέσσερις ενότητες βοηθούν τους μαθητές να διερευνήσουν εφαρμογές τεχνητής νοημοσύνης (AI) και πώς γίνονται. Η κατασκευή και η κατάρτιση νευρωνικών δικτύων αποτελεί μέρος αυτού του προγράμματος σπουδών και οι μαθητές θα μάθουν να χρησιμοποιούν συνελίξεις στην επεξεργασία εικόνων, προκειμένου να διευκολύνουν τις δυνατότητες ανώτερης αναγνώρισης και ταξινόμησης.
Οι μαθητές μπορούν να δουν μια πρώτη ματιά στο πώς μαθαίνουν να επεξεργάζονται τα μηχανήματα και πώς τα νευρωνικά δίκτυα χειρίζονται δεδομένα εισόδου.
Τα στοιχεία σχετικά με το μάθημα θα δείξουν πώς αυτοί οι τύποι τεχνολογιών λειτουργούν στον πραγματικό κόσμο. Αυτό το online μάθημα διαρκεί περίπου ένα μήνα για να ολοκληρωθεί και είναι ένα ενδιάμεσο επίπεδο.
Συγκεντρωτικά νευρωνικά δίκτυα και Tensorflow (προσφέρονται από deeplearning.ai)
Αυτό το μάθημα επικεντρώνεται ειδικά στο συνελικτικό νευρωνικό δίκτυο, το οποίο είναι ένα συγκεκριμένο είδος έννοιας στον κόσμο της μηχανικής μάθησης. Το CNN, όπως ονομάζεται, χειρίζεται την επεξεργασία εικόνας μέσω της χρήσης διαφόρων επιπέδων μέσα στο νευρωνικό δίκτυο.
Τεχνικές όπως το περπάτημα και το μαξιλάρι χρησιμοποιούνται για να φιλτράρουν και να ερευνώνται εικόνες και οι πληροφορίες παίρνουν διασυνδεδεμένες μέσω του συστήματος για την τελική εκπαίδευση του υπολογιστή για τον εντοπισμό αντικειμένων ή άλλων πτυχών μιας εικόνας.
Οι μαθητές θα μάθουν πώς ο υπολογιστής «βλέπει» πληροφορίες και ποιες συγκεκριμένες λειτουργίες οδηγούν σε αποτελεσματικές εργασίες επεξεργασίας εικόνας και αναγνώρισης.
Οι μαθητές θα μάθουν για διάφορα προβλήματα όπως η απώλεια γραφικών, η υπερφόρτωση και η απόρριψη στην αναζήτηση των βέλτιστων πρακτικών στην κατασκευή και διατήρηση των δυνατοτήτων CNN για αναγνώριση προσώπου, ανάπτυξη προϊόντων και πολλά άλλα.
Η εκμάθηση μεταφοράς θα είναι επίσης μέρος αυτού του προγράμματος σπουδών και οι μαθητές θα μάθουν περισσότερα σχετικά με την εξαγωγή χαρακτηριστικών και την επιλογή χαρακτηριστικών ως συστατικό της επιτυχούς διαστάσεων.
Αυτό το μάθημα ενδιάμεσου επιπέδου είναι όλα σε απευθείας σύνδεση και διαρκεί περίπου επτά ώρες για να ολοκληρωθεί με ένα προτεινόμενο χρονικό πλαίσιο μαθημάτων τεσσάρων εβδομάδων.
Εικόνα Κατανόηση με το Tensorflow στο GCP (προσφέρεται από την πλατφόρμα Google Cloud)
Αυτό το προηγμένο μάθημα μηχανικής μάθησης έχει σχεδιαστεί ειδικά με το Google Cloud. Αυτό το κορυφαίο περιβάλλον ήταν ένα go-to για πολλούς προγραμματιστές που κατασκευάζουν τα νεότερα και καλύτερα προγράμματα ML.
Αυτό το μάθημα θα παρουσιάσει στους φοιτητές διαφορετικές στρατηγικές για τη συγκέντρωση των ταξινομητών εικόνας και θα τους βοηθήσει να κατανοήσουν τις συνθετικές δομές των νευρωνικών δικτύων. Η εξάσκηση και η επιλογή χαρακτηριστικών αποτελούν επίσης μέρος της εστίασης αυτού του μαθήματος και οι μαθητές θα εκπαιδευτούν στον τρόπο με τον οποίο θα αποφευχθεί η υπερφόρτωση και τα συναφή προβλήματα.
Τα hands-on εξαρτήματα απαιτούν γνώση των βασικών SQL, Python και Tensorflow.
Αυτό το μάθημα είναι 100% σε απευθείας σύνδεση σε προχωρημένο επίπεδο και διαρκεί 11 ώρες για να ολοκληρωθεί με μια προτεινόμενη επένδυση χρόνου 5-7 ώρες την εβδομάδα.
Μηχάνημα χωρίς διακομιστές Εκμάθηση με το Tensorflow στην πλατφόρμα Google Cloud (προσφέρεται από την πλατφόρμα Google Cloud)
Αυτό το μάθημα χρησιμοποιεί επίσης την ιδέα της συνεργασίας με την Tensorflow στην πλατφόρμα Google Cloud Platform, αλλά προσθέτει την ιδέα του serverless computing να οραματιστεί η μηχανική μάθηση σε διαφορετικό περιβάλλον.
Σε υπολογιστές χωρίς διακομιστές, οι λειτουργίες σχεδιάζονται για την παράδοση όπως απαιτείται. Αυτό το μάθημα θα μιλήσει για περιπτώσεις χρήσης αυτού του τύπου εγκατάστασης και θα επιτρέψει στους μαθητές να συμμετάσχουν στην κατασκευή ενός μοντέλου Tensorflow ML. Υπάρχει έμφαση στην επεκτασιμότητα και την ανάπτυξη με την κατανόηση των χαρακτηριστικών προεπεξεργασίας και τον τρόπο περιστροφής των μοντέλων ML σε μια αποτελεσματική εικονική χωρητικότητα.
Αυτό το μάθημα ενδιάμεσου επιπέδου είναι online και διαρκεί 12 ώρες για να ολοκληρωθεί, με προτεινόμενο χρονικό διάστημα μιας εβδομάδας.
Επεξεργασία φυσικής γλώσσας με Tensorflow (προσφέρεται από deeplearning.ai)
Μία από τις πιο δημοφιλείς εφαρμογές του Tensorflow και άλλων εργαλείων μηχανικής μάθησης είναι η πρακτική της επεξεργασίας φυσικής γλώσσας (NLP).
Αυτό το μάθημα θα εξοικειώσει τους μαθητές με μερικά από τα συστατικά του NLP που σχετίζονται με την επισήμανση των μονάδων ομιλίας και άλλες τεχνικές που βοηθούν τα νευρωνικά δίκτυα να κατασκευάσουν δομικά προγνωστικά μοντέλα. Το NLP έχει επωφεληθεί πολύ από το ML και οι μαθητές μπορούν να επωφεληθούν από το να δουν από πρώτο χέρι τον τρόπο με τον οποίο λειτουργούν αυτές οι τεχνικές.
Με πρακτική μελέτη, οι μαθητές θα αντιμετωπίσουν προβλήματα σε πραγματικό κόσμο, όπως τον τρόπο εφαρμογής επαναλαμβανόμενων νευρωνικών δικτύων και LSTM στο Tensorflow και πώς να επεξεργαστούν χρησιμοποιώντας tokenization και φορείς.
Αυτό το μάθημα είναι ένα 100% διαδικτυακό ενδιάμεσο επίπεδο που απαιτεί εννέα ώρες για να ολοκληρωθεί με ένα προτεινόμενο χρονικό πλαίσιο τεσσάρων εβδομάδων.
συμπέρασμα
Χρησιμοποιήστε οποιεσδήποτε από αυτές τις καινοτόμες ευκαιρίες μάθησης για να συνδεθείτε καλύτερα με τα παξιμάδια και τα μπουλόνια του ML μέσω της κατανόησης όχι μόνο της ορολογίας, αλλά και των δομών των συστημάτων που συνήθως επεξεργάζονται χρησιμοποιώντας το Tensorflow.