Głębokie uczenie się i sieci neuronowe w Pythonie

Głębokie uczenie się jest siłą napędową nowoczesnej sztucznej inteligencji, ale jej wewnętrzne działanie często wydaje się czarną skrzynką.Ten kurs demistyfikuje tę dziedzinę, dostarczając jasnych, pisemnych wyjaśnień, w jaki sposób sieci neuronowe faktycznie przetwarzają informacje i uczą się z danych. Przejdziesz od zrozumienia podstawowych wzorców danych do konstruowania wyrafinowanych architektur zdolnych do rozpoznawania obrazów, przewidywania sekwencji i kompresji danych. Czego się nauczysz: - Zrozum podstawowe zasady sztucznych sieci neuronowych i jak naśladują uczenie się biologiczne. - Buduj zwojowe sieci neuronowe do przetwarzania wzorców strukturalnych i danych wizualnych. - Zastosuj powtarzające się sieci neuronowe do obsługi informacji o szeregach czasowych i sekwencyjnych zbiorach danych. - Poznaj techniki uczenia się bez nadzoru za pomocą autoenkoderów i samoorganizujących się map. - Wdrażaj nowoczesne najlepsze praktyki, w tym algorytmy rezygnacji, regularyzacji i optymalizacji. - Ćwicz szybkie podstawy inżynierii, aby wchodzić w interakcje i udoskonalać modele na dużą skalę. - Zaprojektuj solidne modele przy użyciu bieżących bibliotek Pythona i modułowych struktur kodu. Podróż zaczyna się od podstawowej terminologii i intuicji matematycznej za neuronami i warstwami. Następnie przejdziesz przez określone architektury dla zadań nadzorowanych, zanim poznasz zaawansowane metody nienadzorowane i nowoczesne wzorce integracji AI. Ten kurs jest przeznaczony dla początkujących zainteresowanych sztuczną inteligencją i nauką o danych; nie jest wymagane wcześniejsze doświadczenie z głębokim uczeniem się.