Kursus Python Unsupervised Deep Learning Python смотреть онлайн

http://jogjacourse.com/training-python-unsupervised-deep-learning-python/
https://jogjamultimedia.com/pelatihan-python-unsupervised-deep-learning-python/
https://kursuskomputerprivat.com/kursus-python-unsupervised-deep-learning-python/
https://jasa.kursuskomputerprivat.com/bimbingan-skripsi-tesis-disertasi-python-unsupervised-deep-learning-python/
http://jual.kursuskomputerprivat.com/inhouse-training-python-unsupervised-deep-learning-python/

Autoencoder, Mesin Boltzmann Terbatas, Deep Neural Networks, t-SNE dan PCA
Yang akan Anda pelajari
Memahami teori di balik analisis komponen utama (PCA)
Ketahui mengapa PCA berguna untuk pengurangan dimensi, visualisasi, dekorelasi, dan denoising
Turunkan algoritme PCA secara manual
Tulis kode untuk PCA
Pahami teori di balik t-SNE
Gunakan t-SNE dalam kode
Pahami keterbatasan PCA dan t-SNE
Pahami teori di balik autoencoder
Tulis autoencoder di Theano dan Tensorflow
Pahami bagaimana stacked autoencoder digunakan dalam deep learning
Tulis autoencoder denoising bertumpuk di Theano dan Tensorflow
Memahami teori di balik mesin Boltzmann (RBM) terbatas
Pahami mengapa RBM sulit untuk dilatih
Pahami algoritme divergensi kontras untuk melatih RBM
Tulis RBM Anda sendiri dan jaringan kepercayaan mendalam (DBN) di Theano dan Tensorflow
Visualisasikan dan interpretasikan fitur yang dipelajari oleh autoencoder dan RBM
Persyaratan
Pengetahuan tentang kalkulus dan aljabar linier
Keterampilan pengkodean python
Beberapa pengalaman dengan Numpy, Theano, dan Tensorflow
Ketahui cara penurunan gradien digunakan untuk melatih model pembelajaran mesin
Instal Python, Numpy, dan Theano
Beberapa pengetahuan probabilitas dan statistik
Kode jaringan saraf feedforward di Theano atau Tensorflow
Deskripsi
Kursus ini adalah langkah logis berikutnya dalam seri pembelajaran mendalam, ilmu data, dan pembelajaran mesin

Dalam kursus ini kita akan mulai dengan beberapa hal yang sangat mendasar – analisis komponen utama (PCA) , dan teknik reduksi dimensi nonlinier populer yang dikenal sebagai t-SNE (penyematan tetangga stokastik terdistribusi t) .

Selanjutnya, kita akan melihat tipe khusus dari jaringan saraf tak terawasi yang disebut autoencoder . Setelah menjelaskan cara kerja autoencoder, saya akan menunjukkan kepada Anda bagaimana Anda dapat menautkan banyak dari mereka bersama-sama untuk membentuk tumpukan autoencoder yang dalam, yang menghasilkan kinerja yang lebih baik dari jaringan saraf dalam yang diawasi . Autoencoder seperti bentuk non-linear dari PCA.

Terakhir, kita akan melihat mesin Boltzmann (RBM) yang dibatasi . Ini adalah jaringan saraf tak terawasi populer lainnya, yang dapat Anda gunakan dengan cara yang sama seperti autoencoder untuk melatih jaringan saraf dalam terawasi Anda sebelumnya. Saya akan menunjukkan kepada Anda cara yang menarik untuk melatih mesin Boltzmann terbatas, yang dikenal sebagai pengambilan sampel Gibbs , kasus khusus Markov Chain Monte Carlo, dan saya akan menunjukkan bagaimana meskipun metode ini hanya perkiraan kasar, namun pada akhirnya akan mengurangi yang lain. fungsi biaya, seperti yang digunakan untuk autoencoder. Metode ini juga dikenal sebagai Contrastive Divergence atau CD-k . Seperti dalam sistem fisik, kami mendefinisikan konsep yang disebut energi bebas dan berusaha untuk meminimalkan kuantitas ini.

Akhirnya, kami akan menyatukan semua konsep ini dan saya akan menunjukkan kepada Anda secara visual apa yang terjadi ketika Anda menggunakan PCA dan t-SNE pada fitur yang telah dipelajari oleh autoencoder dan RBM, dan kami akan melihat bahwa bahkan tanpa label hasilnya menyarankan bahwa pola telah ditemukan.

Jika Anda tertarik dengan pembelajaran mendalam dan ingin mempelajari tentang perkembangan pembelajaran mendalam modern lebih dari sekadar propagasi balik biasa , termasuk menggunakan jaringan saraf tanpa pengawasan untuk menginterpretasikan fitur apa yang dapat dipelajari secara otomatis dan hierarkis dalam sistem pembelajaran mendalam, kursus ini cocok untuk Anda.

Untuk siapa kursus ini:
Siswa dan profesional ingin meningkatkan repertoar pembelajaran mendalam mereka
Pelajar dan profesional yang ingin meningkatkan kemampuan pelatihan jaringan saraf dalam
Siswa dan profesional yang ingin belajar tentang perkembangan yang lebih modern dalam pembelajaran yang mendalam