Глубокое обучение: рекуррентные нейронные сети в Python
Deep Learning: Recurrent Neural Networks in Python
Udemy
Узнайте об одной из самых мощных архитектур глубокого обучения !
Периодические нейронной сети (РНН) был использован для получения государством в самых современных результатов в моделировании последовательности.
Это включает в себя анализ временных рядов , прогнозирование и обработку естественного языка (NLP) .
Узнайте, почему RNN превосходят алгоритмы машинного обучения старой школы , такие как скрытые марковские модели .
Этот курс научит вас:
Этот курс фокусируется на том, « как построить и понять », а не только на том, «как использовать». Любой может научиться использовать API за 15 минут после прочтения документации. Речь идет не о «запоминании фактов», а о « самом увиденном» посредством экспериментов . Он научит вас, как визуализировать то, что происходит внутри модели. Если вы хотите большего, чем просто поверхностный взгляд на модели машинного обучения, этот курс для вас.
Увидимся в классе!
«Если вы не можете это реализовать, вы этого не понимаете»
Материал на английском языке
Продажник:
Скачать курс:
Deep Learning: Recurrent Neural Networks in Python
Udemy
Узнайте об одной из самых мощных архитектур глубокого обучения !
Периодические нейронной сети (РНН) был использован для получения государством в самых современных результатов в моделировании последовательности.
Это включает в себя анализ временных рядов , прогнозирование и обработку естественного языка (NLP) .
Узнайте, почему RNN превосходят алгоритмы машинного обучения старой школы , такие как скрытые марковские модели .
Этот курс научит вас:
- Основы машинного обучения и нейронов (просто обзор, чтобы вас разогреть!)
- Нейронные сети для классификации и регрессии (просто обзор, чтобы разогреться!)
- Как моделировать данные последовательности
- Как моделировать данные временных рядов
- Как моделировать текстовые данные для НЛП (включая этапы предварительной обработки текста)
- Как построить RNN с помощью Tensorflow 2
- Как использовать GRU и LSTM в Tensorflow 2
- Как сделать прогнозирование временных рядов с помощью Tensorflow 2
- Как предсказывать цены акций и доходность акций с помощью LSTM в Tensorflow 2 (подсказка: это не то, что вы думаете!)
- Как использовать вложения в Tensorflow 2 для НЛП
- Как построить RNN классификации текста для NLP (примеры: обнаружение спама, анализ настроений, тегирование частей речи, распознавание именованных объектов)
Этот курс фокусируется на том, « как построить и понять », а не только на том, «как использовать». Любой может научиться использовать API за 15 минут после прочтения документации. Речь идет не о «запоминании фактов», а о « самом увиденном» посредством экспериментов . Он научит вас, как визуализировать то, что происходит внутри модели. Если вы хотите большего, чем просто поверхностный взгляд на модели машинного обучения, этот курс для вас.
Увидимся в классе!
«Если вы не можете это реализовать, вы этого не понимаете»
- Или как сказал великий физик Ричард Фейнман: «То, что я не могу создать, я не понимаю».
- Мои курсы - ЕДИНСТВЕННЫЕ курсы, на которых вы научитесь реализовывать алгоритмы машинного обучения с нуля.
- Другие курсы научат вас вставлять данные в библиотеку, но действительно ли вам нужна помощь с тремя строками кода?
- Проделав то же самое с 10 наборами данных, вы понимаете, что не узнали 10 вещей. Вы узнали 1 вещь и просто повторили одни и те же 3 строки кода 10 раз…
- сложение матриц, умножение
- базовая вероятность (условное и совместное распределения)
- Программирование на Python: if/else, циклы, списки, словари, наборы
- Numpy-кодирование: матричные и векторные операции, загрузка CSV-файла
- Ознакомьтесь с лекцией «Машинное обучение и предварительная дорожная карта ИИ» (доступна в FAQ любого из моих курсов, включая бесплатный курс Numpy)
- Студенты, профессионалы и все, кто интересуется глубоким обучением, прогнозированием временных рядов, данными о последовательности или НЛП.
- Инженеры-программисты и специалисты по данным, которые хотят повысить уровень своей карьеры
- Базовая математика (взятие производных, матричная арифметика, вероятность) полезна
- Python, Numpy, Matplotlib
Материал на английском языке
Продажник:
Скачать курс:
