Max Home IndustryУзнайте все о Tensorflow с помощью этого нового 7-часового информативного бесплатного курса, который не только показывает, как применять Tensorflow 2.0 в ваших программах, но и обучает концепциям машинного обучения, искусственного интеллекта и их основных алгоритмов. Все это просто и практично.
Несмотря на то, что он делает концепции машинного обучения и искусственного интеллекта доступными, этот видеокурс не предназначен для новичков в программировании, поскольку предполагает наличие хотя бы базовых знаний в Python.
Tensorflow 2.0 In 7 Hours, предоставленный на You Tube Тимом, хорошо известным своим каналом Tech with Tim, был создан совместно с FreeCodeCamp. Он начинается с простых основ, но по мере продвижения он все больше вовлекается в более сложные темы, воплощением которых является обучение с подкреплением. Концепции демонстрируются на практических примерах, таких как применение алгоритмов к компьютерному зрению и коду обработки естественного языка.
Его восемь модулей:
Модуль 1: Основы машинного обучения Раскрывает разницу между искусственным интеллектом, нейронными сетями и машинным обучением.
Модуль 2: Введение в TensorFlowЧто такое тензоры?
Модуль 3: Основные алгоритмы обучения Основные алгоритмы машинного обучения, которые вы должны знать, чтобы добиться любого прогресса.
Линейная регрессия
Классификация
Кластеризация
Скрытые марковские модели
Модуль 4: Нейронные сети с TensorFlow. Математика, стоящая за ними, и основные темы, такие как градиентный спуск и обратное распространение.
Модуль 5: Глубокое компьютерное зрение — сверточные нейронные сети Как использовать сверточную нейронную сеть для классификации изображений и обнаружения / распознавания объектов. Включает расширенные темы, такие как сверточные слои, уровни объединения и архитектуры CNN
Модуль 6: Обработка естественного языка с помощью RNN Как использовать RNN / рекуррентную нейронную сеть для анализа настроений и генерации символов.
Модуль 7: Обучение с подкреплением с Q-Learning Этот метод отличается от многих других методов машинного обучения, рассмотренных ранее в курсе. Вместо того, чтобы кормить нашу модель машинного обучения миллионами примеров, мы позволяем нашей модели предлагать собственные примеры, исследуя среду.
Модуль 8: Заключение и следующие шаги
Посещение такого курса дает массу преимуществ. Сначала вы узнаете о модных концепциях искусственного интеллекта и машинного обучения, а также о навыках, которые очень востребованы сотрудниками, а также изучите их вместе с Python, самым популярным и универсальным языком, который также пользуется большим спросом. Например, компьютерное зрение со сверточными нейронными сетями и обработка естественного языка с помощью рекуррентных нейронных сетей — горячие темы, затронутые в курсе.
Также давайте не будем забывать, что вам не нужно отказываться от непонятной математики, управляющей ML, вместо этого вы используете Tensorflow, который скрывает эту сложность, предлагая API, по сути, для алгоритмов.
Итак, вы спросите: «Где код?» сопровождение видео. Вот еще один пример обслуживания аудитории курса. Есть шесть блокнотов Jupyter, которые содержат подробные заметки, инструкции, диаграммы и, конечно же, код.
Более того, вам не нужно ничего устанавливать и запускать на своем ПК, поскольку все размещено на платформе Google Colaboratory, что позволяет запускать весь код внутри вашего браузера. Кроме того, учитывая, что обучение NN требует интенсивного использования ЦП и ресурсов, использование Google Colaboratory использует мощность серверов Google, а не увеличивает нагрузку на ресурсы вашего ПК.
В заключение важно отметить, что такие библиотеки, как Tensorflow, значительно упрощают работу с ИИ, поскольку они инкапсулируют всю логику, поэтому вам не нужно это делать, поскольку ваши навыки ИИ стоят меньше, чем вы думаете. Как сказал бывший гуглер Рышард Шопа:
Каким бы увлекательным ни был прогресс, это плохие новости как для компаний, так и для частных лиц, которые вложили значительные средства в навыки искусственного интеллекта. Сегодня они дают вам солидное конкурентное преимущество, поскольку для подготовки компетентного инженера машинного обучения требуется много времени, потраченного на чтение статей, и солидный математический фон для начала.
Однако по мере того, как инструменты становятся лучше, этого больше не будет. Это будет больше о чтении учебных пособий, чем о научных статьях. Если вы не осознаете свое преимущество в ближайшее время, группа стажеров с библиотекой может съесть ваш обед.
Более того, недавнее исследование Google показало, что многие разработчики откладывают попытки ML, потому что они полагают, что они также должны быть хорошо осведомлены в продвинутой математике, что приводит к принятию синдрома самозванца.
Разработчики часто объясняют эти проблемы отсутствием опыта в продвинутой математике. По иронии судьбы, несмотря на обилие неспециалистов, занимающихся в настоящее время фреймворками машинного обучения, многие считали, что фреймворки машинного обучения предназначены для специалистов с повышенным уровнем подготовки в области линейной алгебры и вычислений и, следовательно, не предназначены для общих разработчиков программного обеспечения или менеджеров по продуктам.
Такое подобие синдрома самозванца может быть вызвано преобладанием эзотерической математической терминологии в документации API, которая может непреднамеренно создать впечатление, что высшая математическая степень необходима даже для практической интеграции ML в программные проекты. Хотя обучение математике действительно полезно, способность понимать и применять практические концепции (например, скорость обучения модели) к реальным задачам не требует углубленного математического образования.
Подобные курсы, которые показывают, как применять библиотеки ИИ для ваших собственных целей, действительно ценны. Еще лучше, чтобы этот курс был бесплатным и размещен на канале Freecodecamp на Youtube.
Получите, пока он длится!