你好,游客 登录
背景:
阅读新闻

【免费深度学习课程】谷歌大脑技术负责人开设,从机器学习迈向深度学习

[日期:2017-09-21] 来源:新智元  作者: [字体: ]

【新智元导读】谷歌首席科学家、谷歌大脑技术负责人Vincent Vanhoucke在Udacity开了一门深度学习课程,讲解在机器学习和深度学习实践应用中最关键的概念和动手实践任务,并且完全免费。Vincent Vanhoucke表示,这门新课程面向哪些渴望在现实世界中尝试深度学习,但还没能找着门道的人,包括寻找具体的解决方案来解决具体的问题的工程师,希望快速了解这个领域的本科生或研究生,希望在某一个研究问题上立刻开始编码的程序员,等等。本文带来课程介绍。

机器学习是发展最快,最令人兴奋的领域之一,而深度学习代表了它的真正的前沿。在这门课程中,你将深入了解深度学习的动机,并设计从复杂和/或大规模数据集中学习的智能系统。

课程将展示如何训练和优化基本的神经网络,卷积神经网络和长短期记忆网络。TensorFlow的完整学习系统将通过项目和任务进行介绍。你将学习解决曾经被认为具有挑战性的新类别的问题,并且可以在使用深度学习方法轻松解决这些问题的同时更好地了解人类智能的复杂性质。

这门课程由Udacity和谷歌首席科学家、谷歌大脑团队的技术负责人Vincent Vanhoucke一起开发。

**注:这是作为机器学习工程师纳米课程项目的一部分提供的中级到高级课程。课程假设学员已经学过机器学习的第一门课程,而且至少熟悉有监督的学习方法。

课程价格:免费

课程时间:约3个月

技能水平:高级

课程内容

第1节:从机器学习到深度学习

你将学习:

  • 了解深度学习的历史背景和动机。

  • 建立一个基本的监督分类任务,并对其进行黑箱分类。

  • 手动训练一个逻辑分类器,并使用梯度下降(和随机梯度下降)。

内容:监督学习、用于检测的分类、用于评分的分类、训练逻辑回归分类器、softmax模型、One-Hot编码、交叉熵、正则化输入与初始权重、过拟合与数据集大小、最优化、随机梯度下降法、动量法、超空间参数

第2节:任务1:notMNIST

第3节:深度神经网络

你将学习:

  • 训练一个简单的深度网络:Relus、链式法则、反向传播。

  • 有效地正则化一个简单的深度网络,L2 正则化和dropout。

  • 通过模型探索和调参训练一个有竞争力的深度网络。

在本节中,你会学到如何用 TensorFlow 构建多层神经网络。之前你应该了解,在网络里面添加一个隐藏层,可以让它构建更复杂的模型。而且,在隐藏层用非线性激活函数可以让它对非线性函数建模。

内容:双层神经网络、TensorFlow ReLUs、参数数量、线性模型、神经元、链式法则、反向传播、SGD、训练一个深度神经网络、正则化、Dropout

第4节:卷积神经网络

你将学习:

  • 训练一个简单的卷积神经网络

  • 探索卷积网络的设计空间

内容:卷积网络、统计不变性、特征图、卷积、Inception模块、ConvNets

第5节:文本和序列的深度模型

你将学习:

  • 使用Word2Vec等模型训练一个文本嵌入模型,使用tSNE降低空间的维数。

  • 训练一个LSTM模型,并对其进行正则化。

内容:文本嵌入模型、模糊语义、非监督学习、嵌入、Word2Vec、tSNE、类比、CBOW、不同长度的序列、RNNs、反向传播时间、梯度消失/爆炸、LSTM、记忆单元、Beam搜索

第6节:软件和工具

第7节:开发一个实时摄像头应用

目标:开发一个实时摄像头应用,使之能识别现实图像中的数字。

描述:在该项目中你需要训练一个模型,使它能够识别出现实图片(如街景照片等)里的数字序列。同时你需要开发一个应用,它能实时显示摄像头看到的图片里的数字序列。你可以选择使用如下方式完成该项目:Python 文件、网页应用/服务或是安卓应用(强烈建议)。

收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款