Openbravo-rus.ru

Образование по русски
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Прикладное машинное обучение

Прикладное машинное обучение

ПРИКЛАДНОЕ МАШИННОЕ ОБУЧЕНИЕ:

Лекция 1. Embeddings

Содержание лекции: Введение, содержание курса.

Лекция 2. RNN и CNN в NLP

Содержание лекции: Рекуррентная нейронная сеть, проблемы исчезающего и взрывающегося градиента. Сверточные нейронные сети в NLP.

Лекция 3. Machine Translation

Содержание лекции: 00:07 Разбор теста по предыдущей лекции. 10:20 Вводная часть лекции. 11:33 Историческая справка. 23:06 Neural Machine Translation. 23:46 Seq2Seq. 38:16 BeamSearch. 46:05 Quality Evaluation. 1:00:26 Attention. 1:11:32 Ответы на вопросы по лекции. 1:13:56 Итог.

Лекция 4. Self Attention. Transformer

Содержание лекции: 00:07 Тест по предыдущей лекции. 07:20 Напоминание про Attention. 12:48 Архитектура Transformer’а. 17:56 Self-Attention. 40:28 Positional encoding. 1:00:30 Layer Normalization.

Лекция 5. Современные методы NLP

Содержание лекции: Современные методы NLP. Лектор: Анастасия Янина.

Лекция 6. Введение в обучение с подкреплением

Содержание лекции: Введение в обучение с подкреплением. Марковские процессы принятия решений, метод кросс-энтропии.

Лекция 7. Value-based методы

Содержание лекции: Value-based методы. Лектор: Николай Карпачев.

Лекция 8. Model free методы

Содержание лекции: Model free методы.

Лекция 9. Глубокое обучение с подкреплением

Содержание лекции: Глубокое обучение с подкреплением.

Лекция 10. Policy gradient

Содержание лекции: Policy gradient.

Лекция 11. Sequence Learning

Содержание лекции: Sequence Learning.

Лекция 12. Введение в компьютерное зрение

Содержание лекции: Введение в компьютерное зрение. Лектор: Владислав Гончаренко

Лекция 13. YOLO. MobileNet

Содержание лекции: КYOLO. MobileNet. Лектор: Владислав Гончаренко.

Лекция 14. Сегментация изображений

Содержание лекции: Сегментация изображений. Лектор: Владислав Гончаренко.

Лекция 15. Generative models

Содержание лекции: Генеративные модели.

Специализация Машинное обучение и приложения

Руководители специализации:
Ветров Дмитрий Петрович, к.ф.-м.н., профессор-исследователь департамента больших данных и информационного поиска ФКН НИУ ВШЭ, заведующий центром глубинного обучения и байесовских методов
Соколов Евгений Андреевич, заместитель руководителя департамента больших данных и информационного поиска ФКН НИУ ВШЭ, руководитель группы качества рекомендаций Яндекс.Дзен

Машинное обучение — наука, которая изучает методы поиска скрытых зависимостей в массивах данных. Эти методы всё активнее используются как в различных областях науки (в физике, экономике, журналистике, социальных науках и т.д.), так и во многих индустриальных областях. Обнаружение спама, распознавание людей на фотографии, персонализованные рекомендации музыки в социальных сетях или товаров в онлайн-магазинах, определение лучшего хода в игре Го, предсказание эффекта от лекарства с определённой химической формулой — лишь немногие примеры важных и интересных задач, которые невозможно решить с помощью классического математического моделирования. Тем не менее, все эти задачи могут быть решены с помощью стандартных методов машинного обучения.

В конце нулевых годов появились вычислительные мощности, способные обрабатывать огромные массивы данных, благодаря которым оказалось, что методы современного машинного обучения способны в ряде областей превзойти возможности человеческого интеллекта. Сейчас происходит настоящая революция в области машинного обучения, связанная с переходом к т.н. глубинному обучению (deep learning). Из-за этого в мире ощущается острая нехватка кадров, поскольку ежегодная потребность в специалистах по современному машинному обучению сильно обгоняет объемы их выпуска университетами мира. Рынок машинного обучения уже сейчас оценивается в 50 миллиардов долларов, а специалист по машинному обучению (data scientist) считается одной из наиболее востребованных и высокооплачиваемых профессий 21 века.

На нашей специализации мы научим вас машинному обучению и дадим все необходимые навыки для решения задач анализа данных. В программу входят общий курс по машинному обучению, курсы по прикладным задачам анализа данных (анализ текстов, компьютерное зрение, анализ временных рядов). Кроме того, в ней присутствуют курсы по современным методам построения сложных вероятностных моделей обработки данных, работе с большими данными, глубинному обучению. Лекции читают ведущие учёные в области машинного обучения и практикующие специалисты Яндекса.

Поступление на специализацию

Для поступления на специализацию «Машинное обучение и приложения» необходимо пройти отбор. К критериям относятся:

1. Рейтинг студента
2. Реферат по Вводному НИС
3. Результаты выполнения проектов на младших курсах
4. Участие в соревнованиях или хакатонах по анализу данных

5. Рекомендации от преподавателей и сотрудников ВШЭ

базовые курсы учебного плана 3 курса ПМИ (Major):

1. Машинное обучение 1

Департамент больших данных и информационного поиска: Старший преподаватель

2. Непрерывная оптимизация

курс читается: 3 модуль
Настройка модели алгоритмов по данным — это задача оптимизации, от эффективности решения которой зависит практическая применимость метода машинного обучения. В эпоху больших данных многие классические алгоритмы оптимизации становятся неприменимы, т.к. здесь требуется решать задачи оптимизации функций за время меньшее, чем необходимо для вычисления значения функции в одной точке. Таким требованиям можно удовлетворить в случае грамотного комбинирования известных подходов в оптимизации с учётом конкретной специфики решаемой задачи. Курс посвящен изучению классических и современных методов решения задач непрерывной оптимизации (в том числе невыпуклой), а также особенностям применения этих методов в задачах оптимизации, возникающих в машинном обучении. Наличие у слушателей каких-либо предварительных знаний по оптимизации не предполагается, все необходимые понятия разбираются в ходе занятий. Основной акцент в изложении делается на практические аспекты реализации и использования методов. Целью курса является выработка у слушателей навыков по подбору подходящего метода для своей задачи, наиболее полно учитывающего её особенности .

3. Дискретная оптимизация

курс читается: 4 модуль
Цель данного курса — познакомить слушателей с типичными классами задач оптимизации, в которых множество допустимых решений имеет явно выраженную «комбинаторную» природу, а также с эффективными способами их решения. Большое число примеров подобных задач возникает, например, в теории графов (паросочетания, пути, упаковки, покрытия и раскраски и т.д.).
Помимо чисто комбинаторных методов в рамках данного курса акцент будет также сделан на применении теории линейного и целочисленного программирования. Помимо стандартных оптимизационных инструментов (таких как симплекс-метод, метод эллипсиоидов, метод внутренней точки) ключевыми здесь будут понятия линейной двойственности, а также различные свойства целочисленности линейных программ (тотальная унимодулярность и тотальная двойственная целочисленность). Все вместе это позволит единообразно описать широкий класс комбинаторных задач, решаемых за полиномиальное время.
Кроме точных алгоритмов (находящих искомый оптимум за полиномиальное время), в курсе также пойдёт речь о приближенных методах решения тех задач, для которых точное решение быстро найти, по-видимому, невозможно. Здесь на помощь снова на придут линейные релаксации, которые позволят эффективно строить приближенные решения, имеющие гарантированную погрешность .

Читать еще:  Smm обучение москва

4. Введение в глубинное обучение | Introduction to Deep Learning

курс читается: 3 модуль | в формате blended на английском языке
The goal of this course is to give learners basic understanding of modern neural networks and their applications in computer vision and natural language understanding. The course starts with a recap of linear models and discussion of stochastic optimization methods that are crucial for training deep neural networks. Learners will study all popular building blocks of neural networks including fully connected layers, convolutional and recurrent layers. Learners will use these building blocks to define complex modern architectures in TensorFlow and Keras frameworks. In the course project a learner will implement deep neural network for the task of image captioning which solves the problem of giving a text description for an input image.The course is based on MOOC “Introduction to Deep Learning” (Coursera.org, Developer – HSE).



курсы специализации 3 года обучения:

1. Машинное обучение 2

Департамент больших данных и информационного поиска: Старший преподаватель

курс читается: 3-4 модули
Данный курс посвящён изучению продвинутых методов и постановок задач анализа данных, а также теоретических основ алгоритмов машинного обучения. В программу курса входят нейронные сети, матричные разложения, рекомендательные системы, основы анализа текстов, методы активного и онлайн-обучения, обучение с подкреплением, основы теоретических оценок обобщающей способности. Семинарские занятия посвящены освоению практических особенностей изучаемых методов, знакомству с современными инструментами анализа данных и разбору подходов к решению прикладных задач.

Базовая кафедра Яндекс: Доцент

Базовая кафедра Яндекс: Доцент

2. Численные методы в анализе данных

Лектор: Лобачёв Виктор Анатольевич, Ph.D., руководитель группы Yandex Data Factory
курс читается: 1-2 модули
Цель курса – познакомить студентов с понятиями и методами вычислительной математики, а также продемонстрировать их применимость к задачам математического моделирования и обработки данных. В курсе студентам даются базовые представления о численном дифференцировании и интегрировании, методах интерполяции, решении систем линейных и нелинейных алгебраических уравнений, методах численного решения обыкновенных дифференциальных уравнений. Кроме теоретического материала, рассматривается приложение методов вычислительной математики к практическим задачам, в частности, к задаче моделирования и анализа алгоритмов показа Интернет-рекламы. На семинарских занятиях рассматриваются задания, способствующие закреплению пройденного материала.

курсы специализации 4 года обучения

1. Анализ неструктурированных данных

Департамент анализа данных и искусственного интеллекта: Преподаватель

курс читается: 1-2 модули
В курсе рассматриваются актуальные задачи обработки естественного языка — как хорошо изученные (оценка окраса текста, определение частей речи, определение языка, анализ морфологии, обучение с учителем на текстах и другие), так и активно развивающиеся (суммаризация текста, диалоговые системы и чат-боты и т.д.). Также изучаются подходы к работе с неструктурированными источниками данных, извлечению из них информации и её хранению. Весь материал сопровождается практическими задачами анализа интернет-данных и больших текстовых корпусов.

Департамент больших данных и информационного поиска: Доцент

Департамент больших данных и информационного поиска: Доцент

Департамент больших данных и информационного поиска: Доцент

рекомендованные онлайн курсы специализации:
Рекомендованные MOOCs осваиваются в дополнение к основной программе по учебному плану

1. Специализация Машинное обучение и анализ данных на Coursera
2. Введение в машинное обучение на Coursera
3. Специализация Advanced Machine Learning

научно-исследовательский семинар «Машинное обучение и приложения»:

Департамент больших данных и информационного поиска: Преподаватель

Профессия Data Scientist: машинное обучение

Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.

Записаться на курс

  • Длительность 13 месяцев
  • Помощь в трудоустройстве
  • 7 курсов в одной программе
  • Доступ к курсу навсегда

На рынке не хватает специалистов по Data Science

  • 2 300 компаний сейчас ищут специалистов в Data Science & Machine Learning
  • 80 000 рублей зарплата начинающего специалиста

Данные сайта hh.ru

Кому подойдёт этот курс

Новичкам в IT

Вы получите базовые навыки по аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning.

Программистам

Вы прокачаете свои знания и навыки в программировании на Python. Научитесь использовать алгоритмы машинного обучения, решать бизнес-задачи — и усилите портфолио мощными проектами.

Менеджерам и владельцам бизнеса

Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведёте компанию на новый уровень.

Чему вы научитесь

Программировать на Python

Визуализировать данные

Работать с библиотеками и базами данных

Применять нейронные сети для решения реальных задач

Строить модели машинного обучения

Писать рекомендательные системы

От первого урока к работе мечты

Студенты и выпускники Skillbox получают индивидуальную поддержку от Центра карьеры на протяжении всего обучения — от помощи с выбором профессии до выхода на работу мечты. Вот как это происходит.

С каждым уроком ваш профессиональный уровень растёт и вы можете планировать карьеру уже во время обучения.

Реакция потенциального работодателя зависит от того, как вы подаёте себя в резюме. Мы дадим советы по его составлению и поможем написать резюме, подающее вас лучшим образом.

Читать еще:  Обучающие программы vr

Выбираете лучшую вакансию

Мы экономим ваше время — подбираем подходящие вакансии и договариваемся об интервью с работодателем. Вам нужно только пройти собеседование.

Начинаете карьеру мечты

Вы успешно проходите собеседование, выходите на работу и сразу начинаете выполнять задачи.

Записаться на курс или получить бесплатную консультацию

Похоже произошла ошибка. Попробуйте отправить снова или перезагрузите страницу.

Ваша заявка успешно отправлена

Как проходит обучение

Изучаете тему

В курсе — практические видеоуроки.

Выполняете задания

В том темпе, в котором вам удобно.

Работаете с наставником

Закрепляете знания и исправляете ошибки.

Защищаете дипломную работу

И дополняете ею своё портфолио.

Программа

Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.

  1. Аналитика. Начальный уровень
  1. Введение.
  2. Основы Python: базовые структуры данных.
  3. Основы Python: циклы и условия.
  4. Основы Python: функции.
  5. Основы Python: классы и объекты.
  6. Основы Python: исключения.
  7. Библиотека NumPy. Часть 1.
  8. Библиотека NumPy. Часть 2.
  9. Библиотека pandas. Часть 1.
  10. Библиотека pandas. Часть 2.
  11. Визуализация данных с помощью matplotlib.
  12. Чтение и запись данных.
  13. Введение в SQL.
  14. Работа со строками.
  1. Основы статистики и теории вероятностей.
  1. Основные концепции Machine Learning (ML).
  2. Жизненный цикл ML-проекта.
  3. Регрессия.
  4. Классификация.
  5. Кластеризация
  6. Дополнительные техники.
  7. Знакомство с Kaggle.
  1. Базовые математические объекты и SymPy. Дроби и преобразования.
  2. Базовые математические объекты и SymPy. Необходимые функции и некоторые дополнительные объекты.
  3. Функции одной переменной, их свойства и графики.
  4. Интерполяция и полиномы.
  5. Аппроксимация и преобразования функций.
  6. Функции нескольких переменных, их свойства и графики.
  7. Линейные функции.
  8. Матрицы и координаты.
  9. Линейные уравнения.
  10. Производная функции одной переменной.
  11. Производная по направлению и градиент + частные производные.
  12. Линейная регрессия.
  13. Собственные векторы и значения. Определитель.
  14. Разложения матриц.
  1. Введение в нейронные сети.
  2. Обучение нейронных сетей.
  3. Нейронные сети на практике.
  4. Свёрточные нейросети для задачи классификации изображений.
  5. Семантическая сегментация. Часть 1. Слабая локализация и полносвёрточные нейросети (FCN).
  6. Семантическая сегментация. Часть 2. Продвинутые архитектуры FCN для семантической сегментации.
  7. Детектирование объектов.
  8. От дискриминативных моделей к генеративным. Style transfer.
  9. Генеративные состязательные сети.
  10. Введение в NLP.
  11. NLP на нейросетях. Рекуррентные нейросети, классификация текстов.
  12. NLP на нейросетях. Языковые модели, Attention, Transformer.
  13. Обучение с подкреплением. Q-Learning.
  14. Обучение с подкреплением. Deep Q-Learning.
  15. Ускорение и оптимизация нейронных сетей.
  16. Внедрение в DL моделей в Production.
  17. Рекомендательные системы.
  18. Вывод моделей машинного обучения в production, post production и мониторинг.
  1. Как стать первоклассным программистом.
  2. Как искать заказы на разработку.
  3. Личный бренд разработчика.
  4. Photoshop для программиста.
  5. Вёрстка email-рассылок. Советы на реальных примерах.
  6. The state of soft skills.
  7. Как мы создавали карту развития для разработчиков.
  8. Как общаться по email и эффективно работать с почтой.
  9. Повышение своей эффективности.
  10. Спор о первом языке программирования.
  11. Саморазвитие: как я не усидел на двух стульях и нашёл третий.
  12. Data-driven подход к продуктивности — инсайты из данных миллиона людей.
  1. IT Resume and CV.
  2. Job interview: questions and answers.
  3. Teamwork.
  4. Workplace communication.
  5. Business letter.
  6. Software development.
  7. System concept development and SRS.
  8. Design.
  9. Development and Testing.
  10. Deployment and Maintenance.

Уже учились на каком-то курсе из программы?

Скажите об этом менеджеру — за этот курс платить не придётся!

Получить полную программу курса и консультацию

Похоже произошла ошибка. Попробуйте отправить снова или перезагрузите страницу.

Machine Learning

Machine learning — множество математических, статистических и вычислительных методов для разработки алгоритмов, способных решить задачу не прямым способом, а на основе поиска закономерностей в разнообразных входных данных.

Что такое Machine Learning

Общий термин «Machine Learning» или «машинное обучение» обозначает множество математических, статистических и вычислительных методов для разработки алгоритмов, способных решить задачу не прямым способом, а на основе поиска закономерностей в разнообразных входных данных [1]. Решение вычисляется не по четкой формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений. Например, если каждый день в течении недели земля покрыта снегом и температура воздуха существенно ниже нуля, то вероятнее всего, наступила зима. Поэтому машинное обучение применяется для диагностики, прогнозирования, распознавания и принятия решений в различных прикладных сферах: от медицины до банковской деятельности.

Типы и суть Machine Learning

Выделяют 2 типа машинного обучения [1]:

  1. Индуктивное или по прецедентам, которое основано на выявлении эмпирических закономерностей во входных данных;
  2. Дедуктивное, которое предполагает формализацию знаний экспертов и их перенос в цифровую форму в виде базы знаний.

Дедуктивный тип принято относить к области экспертных систем, поэтому общий термин «машинное обучение» означает обучение по прецедентам. Прецеденты или обучающая выборка – это наборы входных объектов и соответствующих им результатов. При этом не существует четкой формулы, которая аналитически описывает зависимость между результатами и входами. Например, какая погода будет завтра, если на протяжении недели дни были морозные, солнечные, с низкой влажностью воздуха, без ветра и осадков? При этом следует учесть еще множество параметров: географические координаты, рельеф местности, движение теплых и холодных фронтов воздуха и пр. Необходимо построить алгоритм, который выдаст достаточно точный результат для любого возможного входа. Точность результатов регулируется оценочным функционалом качества. Таким образом, решение формируется эмпирически, на основе анализа накопленного опыта. При этом обучаемая система должна быть способна к обобщению – адекватному отклику на данные, выходящие за пределы имеющейся обучающей выборки. На практике входные данные могут быть неполными, неточными и разнородными. Поэтому существует множество методов машинного обучения [2]. Можно сказать, что машинное обучение реализует подход Case Based Reasoning (CBR) — метод решения проблем рассуждением по аналогии, путем предположения на основе подобных случаев (прецедентов).

Суть и смысл машинного обучения (Machine Learning)

Читать еще:  Джава скрипт обучение

Методы Machine Learning

Существует множество методов машинного обучения. Мы перечислим самые популярные, оставив их подробную классификацию специализированным ресурсам [1, 2, 3]. Выделяют 2 вида классического Machine Learning:

  1. С учителем (supervised learning), когда необходимо найти функциональную зависимость результатов от входов и построить алгоритм, на входе принимающий описание объекта и на выходе выдающий ответ. Функционал качества, как правило, определяется через среднюю ошибку ответов алгоритма по всем объектам выборки. К обучению с учителем относятся задачи классификации, регрессии, ранжирования и прогнозирования.
  2. Без учителя (unsupervised learning), когда ответы не задаются, и нужно искать зависимости между объектами. Сюда входят задачи кластеризации, поиска ассоциативных правил, фильтрации выбросов, построения доверительной области, сокращения размерности и заполнения пропущенных значений.

К неклассическим, но весьма популярным методам относят обучение с подкреплением, в частности, генетические алгоритмы, и искусственные нейронные сети. В качестве входных объектов выступают пары «ситуация, принятое решение», а ответами являются значения функционала качества, который характеризует правильность принятых решений (реакцию среды). Эти методы успешно применяются для формирования инвестиционных стратегий, автоматического управления технологическими процессами, самообучения роботов и других подобных задач [2].

Ниже на рисунке показана классификация наиболее часто используемых методов Machine Learning [3].

Классификация методов Machine Learning [3]

Средства реализации Machine Learning

Сегодня чаще всего для создания программ машинного обучения используются языки R, Python, Scala и Julia [4]. Они поддерживаются многими интегрированными средами разработки, в частности, R-Studio, R-Brain, Visual Studio, Eclipse, PyCharm, Spyder, IntelliJ IDEA, Jupyter Notebooks, Juno и др. [4]. На наших практических курсах мы научим вас успешной работе с этими инструментами, чтобы потом вы могли самостоятельно формировать наборы входных данных, строить эффективные алгоритмы для решения прикладных задач своей области: от нефтегазовой промышленности до биржевой аналитики. Выбирайте свой обучающий интенсив и приходите к нам на занятия!

Орельен Жерон: Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники

Hands-On Machine Learning with Scikit-Learn and TensorFlow. Concept, Tools, and Techniques.

Мы пришлем письмо о полученном бонусе, как только кто-то воспользуется вашей подборкой. Проверить баланс всегда можно в «Личном пространстве»

Мы пришлем письмо о полученном бонусе, как только кто-то воспользуется вашей ссылкой. Проверить баланс всегда можно в «Личном пространстве»

Аннотация к книге «Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники»

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем. Полноцветное издание.
«Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения».
— Пит Уорден, технический руководитель направления TensorFlow
Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать.
За.

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем. Полноцветное издание.
«Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения».
— Пит Уорден, технический руководитель направления TensorFlow
Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать.
За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.
Исследуйте область машинного обучения, особенно нейронные сети
Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца
Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы
Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей
Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением
Освойте приемы для обучения и масштабирования глубоких нейронных сетей
Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов
Об авторе
Орельен Жерон — консультант по машинному обучению.
Бывший работник компании Google, он руководил командой классификации видеороликов YouTube с 2013 по 2016 год. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst, ведущего поставщика услуг беспроводного доступа к Интернету во Франции, а в 2001 году — основателем и руководителем технического отдела в фирме Polyconseil, которая сейчас управляет сервисом совместного пользования электромобилями Autolib’.

Ссылка на основную публикацию
Adblock
detector