2. 程式人生 > >最實用的深度學習教程 Practical Deep Learning For Coders (Kaggle 冠軍 Jeremy Howard 親授)

最實用的深度學習教程 Practical Deep Learning For Coders (Kaggle 冠軍 Jeremy Howard 親授)

阿新 • • 發佈：2017-11-21
ted del src learning over attention wid multi 美國

Jeremy Howard 在業界可謂大名鼎鼎。他是大數據競賽平臺 Kaggle 的前主席和首席科學家。他本人還是 Kaggle 的冠軍選手。他是美國奇點大學（Singularity University）最年輕的教職工。曾於 2014 年，作為全球青年領袖，在達沃斯論壇上發表主題演講。他在 TED 上的演講 The wonderful and terrifying implications of computers that can learn 收獲高達 200 萬的點擊。同時，他還創立了 Enlitic, FastMail，以及 Optimal Decisions Group 三家科技公司，並擔任 CEO。

技術分享圖片

2017 年Jeremy Howard 又創立了 Fast AI 技術分享平臺，免費提供關於深度學習技術的系列視頻教程，以幫助從業者迅速開發人工智能相關產品。

咪博士吐血推薦的深度學習教程，由 Jeremy Howard 親自講授。它是一門實戰性極強的課程。身為 Kaggle 競賽冠軍的 Jeremy Howard 將親自教你如何打造業界最好的深度神經網絡。Jeremy Howard 在課程中分享了那些真正在工程實踐中使用過，並且證明行之有效的方法，而不僅僅是那些理論上的定義和公式！

該課程分為上、下兩部。每一部，包含大約 7 個視頻，約 20 個小時的時長。下面是課程目錄：

Part 1: Practical Deep Learning For Coders

  • How to set up your AWS deep learning server
  • 01. Recognizing cats and dogs
  • 02. Convolutional neural networks
  • 00. Why deep learning & Intro to convolutions
  • 03. Under fitting and over fitting
  • 04. Collaborative filtering, embeddings, and more
  • 05. Intro to NLP and RNNs
  • 06. Building RNNs
  • 07. Exotic CNN architectures & RNN from scratch

Bilibili 傳送門：https://www.bilibili.com/video/av10156946/

Part 2: Cutting Edge Deep Learning For Coders

  • 08. Artistic Style
  • 09. Generative Models
  • 10. Multi-modal & GANs
  • 11. Memory Networks
  • 12. Attentional Models
  • 13. Neural Translation
  • 14. Time Series & Segmentation

Bilibili 傳送門：https://www.bilibili.com/video/av12679341/

原文鏈接：http://www.ipaomi.com/2017/11/17/最實用的深度學習教程-practical-deep-learning-for-coders-kaggle-冠軍-jeremy-howard-親授/

最實用的深度學習教程 Practical Deep Learning For Coders (Kaggle 冠軍 Jeremy Howard 親授)

相關推薦

最實用的深度學習教程 Practical Deep Learning For Coders (Kaggle 冠軍 Jeremy Howard 親授)

ted del src learning over attention wid multi 美國 Jeremy Howard 在業界可謂大名鼎鼎。他是大數據競賽平臺 Kaggle 的前主席和首席科學家。他本人還是 Kaggle 的冠軍選手。他是美國奇點大學（Singular

阿里首次開源深度學習框架X-Deep Learning

今年，各企業在開源路上的勢頭可以說是“你追我趕”，誰也不甘落後。6 月，小米宣佈開源自己在移動端深度學習框架 MACE；9 月，騰訊 AI Lab 宣佈開源一款自動化深度學習模型壓縮與加速的框架——PocketFlow。雙十一剛過，阿里巴巴就宣佈要把商業作業系統中一個重要的業務板塊——

百度開源移動端深度學習框架mobile-deep-learning

2017 年 9 月 25 日，百度在 GitHub 開源了移動端深度學習框架 mobile-deep-learning（MDL）的全部程式碼以及指令碼，希望這個專案在社群的帶動下能夠更好地發展。 寫在前面 深度學習技術已經在網際網路的諸多方向產生影響，每天科技

剛剛，阿里開源首個深度學習框架 X-Deep Learning！

剛剛，阿里媽媽正式對外發布了X-Deep Learning(下文簡稱XDL)的開原始碼地址，開發者們可以在Github上自主下載。 此前，在11月底，阿里媽媽就公佈了這項開源計劃，引來了業界的廣泛關注。XDL突破了現有深度學習開源框架大都面向影象、語音等低維稠密資料而設計的現狀，面向高維稀疏資料場景進行了深

阿里開源首個深度學習框架 X-Deep Learning！

剛剛，阿里媽媽正式對外發布了X-Deep Learning(下文簡稱XDL)的開原始碼地址，開發者們可以在Github上自主下載。 此前，在11月底，阿里媽媽就公佈了這項開源計劃，引來了業界的廣泛關注。XDL突破了現有深度學習開源框架大都面向影象、語音等低維稠密資料而設計的現狀，面向高維稀

《深度學習》/《Deep Learning》——深度學習聖經的讀書筆記

學習方法 對著書看一遍，把理解的內容寫成筆記 看完一章後，看著筆記和書，把內容複習一下，把需要畫線的地方畫好並理解 逐層深入：這本書講解基礎概念講得不生動，但是高層次上有很多不錯的高瞻遠矚的見解，所以先看網文理解到基本的網路（如RNN-LSTM），然後看書深

簡單易學的深度學習演算法——Wide & Deep Learning

這篇文章是閱讀《Wide & Deep Learning for Recommender Systems》後的總結，該文章中提出結合Wide模型和Deep模型的組合方法，對於提升推薦系統（Recommendation System）的效能有很重要的

Deep Learning 1_深度學習UFLDL教程：Sparse Autoencoder練習（斯坦福大學深度學習教程）

1前言           本人寫技術部落格的目的，其實是感覺好多東西，很長一段時間不動就會忘記了，為了加深學習記憶以及方便以後可能忘記後能很快回憶起自己曾經學過的東西。      首先，在網上找了一些資料，看見介紹說UFLDL很不錯，很適合從基礎開始學習，Adrew Ng大牛寫得一點都不裝B，感覺非常好

Deep Learning 4_深度學習UFLDL教程：PCA in 2D_Exercise（斯坦福大學深度學習教程）

前言      本節練習的主要內容：PCA，PCA Whitening以及ZCA Whitening在2D資料上的使用，2D的資料集是45個數據點，每個資料點是2維的。要注意區別比較二維資料與二維影象的不同，特別是在程式碼中，可以看出主要二維資料的在PCA前的預處理不需要先0均值歸一化，而二維自然影象需要先

Deep Learning 3_深度學習UFLDL教程：預處理之主成分分析與白化_總結（斯坦福大學深度學習教程）

1PCA     ①PCA的作用：一是降維；二是可用於資料視覺化； 注意：降維的原因是因為原始資料太大，希望提高訓練速度但又不希望產生很大的誤差。     ② PCA的使用場合：一是希望提高訓練速度；二是記憶體太小；三是希望資料視覺化。     ③用PCA前的預處理：(1)規整化特徵的均值大致為0；(

Deep Learning 19_深度學習UFLDL教程：Convolutional Neural Network_Exercise（斯坦福大學深度學習教程）

基礎知識 概述       CNN是由一個或多個卷積層（其後常跟一個下采樣層）和一個或多個全連線層組成的多層神經網路。CNN的輸入是2維影象（或者其他2維輸入，如語音訊號）。它通過區域性連線和權值共享，再通過池化可得到平移不變特徵。CNN的另一個優點就是易於訓練

Deep Learning 8_深度學習UFLDL教程：Stacked Autocoders and Implement deep networks for digit classification_Exercise（斯坦福大學深度學習教程）

前言 2.實驗環境：win7， matlab2015b，16G記憶體，2T硬碟 3.實驗內容：Exercise: Implement deep networks for digit classification。利用深度網路完成MNIST手寫數字資料庫中手寫數字的識別。即：用6萬個已標註資料（即：6萬

Deep Learning 11_深度學習UFLDL教程：資料預處理（斯坦福大學深度學習教程）

資料預處理是深度學習中非常重要的一步！如果說原始資料的獲得，是深度學習中最重要的一步，那麼獲得原始資料之後對它的預處理更是重要的一部分。 1.資料預處理的方法： ①資料歸一化： 簡單縮放：對資料的每一個維度的值進行重新調節，使其在 [0,1]或[ − 1,1] 的區間內 逐樣本均值消減：在每個

Deep Learning 13_深度學習UFLDL教程：Independent Component Analysis_Exercise（斯坦福大學深度學習教程）

前言 實驗環境：win7， matlab2015b，16G記憶體，2T機械硬碟 難點：本實驗難點在於執行時間比較長，跑一次都快一天了，並且我還要驗證各種代價函式的對錯，所以跑了很多次。 實驗基礎說明：      ①不同點：本節實驗中的基是標準正交的，也是線性獨立的，而Deep Learni

Deep Learning 12_深度學習UFLDL教程：Sparse Coding_exercise（斯坦福大學深度學習教程）

前言 實驗環境：win7， matlab2015b，16G記憶體，2T機械硬碟 本節實驗比較不好理解也不好做，我看很多人最後也沒得出好的結果，所以得花時間仔細理解才行。 實驗內容：Exercise:Sparse Coding。從10張512*512的已經白化後的灰度影象（即：Deep Learnin

Deep Learning 6_深度學習UFLDL教程：Softmax Regression_Exercise（斯坦福大學深度學習教程）

前言      練習內容：Exercise:Softmax Regression。完成MNIST手寫數字資料庫中手寫數字的識別，即：用6萬個已標註資料（即：6萬張28*28的影象塊（patches）），作訓練資料集，然後利用其訓練softmax分類器，再用1萬個已標註資料（即：1萬張28*28的影象塊（pa

Deep Learning 7_深度學習UFLDL教程：Self-Taught Learning_Exercise（斯坦福大學深度學習教程）

前言 理論知識：自我學習 練習環境：win7， matlab2015b，16G記憶體，2T硬碟       一是用29404個無標註資料unlabeledData（手寫數字資料庫MNIST Dataset中數字為5-9的資料）來訓練稀疏自動編碼器，得到其權重引數opttheta。這一步的目的是提取這

Deep Learning 2_深度學習UFLDL教程：向量化程式設計（斯坦福大學深度學習教程）

1前言     本節主要是讓人用向量化程式設計代替效率比較低的for迴圈。     在前一節的Sparse Autoencoder練習中已經實現了向量化程式設計，所以與前一節的區別只在於本節訓練集是用MINIST資料集，而上一節訓練集用的是從10張圖片中隨機選擇的8*8的10000張小圖塊。綜上，只需要在

Deep Learning 9_深度學習UFLDL教程：linear decoder_exercise（斯坦福大學深度學習教程）

前言 實驗基礎說明： 1.為什麼要用線性解碼器，而不用前面用過的棧式自編碼器等？即：線性解碼器的作用？ 這一點，Ng已經在講解中說明了，因為線性解碼器不用要求輸入資料範圍一定為(0,1），而前面用過的棧式自編碼器等要求輸入資料範圍必須為(0,1）。因為a3的輸出值是f函式的輸出，而在普通的spa

Deep Learning 10_深度學習UFLDL教程：Convolution and Pooling_exercise（斯坦福大學深度學習教程）

前言 實驗環境：win7， matlab2015b，16G記憶體，2T機械硬碟 實驗內容：Exercise:Convolution and Pooling。從2000張64*64的RGB圖片（它是 the STL10 Dataset的一個子集）中提取特徵作為訓練資料集，訓練softmax分類器，然後從