Deep Learning от А до Я: Искусственные нейронные сети

Научитесь создавать алгоритмы глубокого обучения в Python от двух экспертов машинного обучения и науки о данных. Шаблоны включены. Искусственный интеллект растет в геометрической прогрессии. В этом нет никаких сомнений. Автомобили с автономным управлением преодолевают миллионы миль, IBM Watson диагностирует пациентов лучше, чем целые армии врачей, а AlphaGo из Google Deepmind побеждает чемпиона мира в Go - игре, в которой интуиция играет ключевую роль.

Но чем дальше ИИ продвигается, тем сложнее становятся проблемы, которые ему необходимо решить. И только Deep Learning может решить такие сложные проблемы, и поэтому он лежит в основе искусственного интеллекта.

Вот пять причин, по которым мы считаем, что Deep Learning A-Z ™ действительно отличается от других программ обучения:

1. СТРУКТУРА

Первая и самая важная вещь, на которой мы сосредоточились, - это дать курсу надежную структуру. Глубокое обучение очень широкое и сложное, и для навигации по этому лабиринту необходимо четкое и глобальное видение этого.

Вот почему мы сгруппировали учебники в два тома, представляющих две основные ветви глубокого обучения: контролируемое глубокое обучение и неконтролируемое глубокое обучение. В каждом томе, посвященном трем отдельным алгоритмам, мы обнаружили, что это лучшая структура для освоения глубокого обучения.

2. УЧЕБНЫЕ ПОСОБИЯ

Так много курсов и книг просто бомбардируют вас теорией, математикой и кодированием ... Но они забывают объяснить, пожалуй, самую важную часть: почему вы делаете то, что делаете. И вот как этот курс так отличается. Мы сосредоточены на разработке интуитивного * понимания * концепций, лежащих в основе алгоритмов глубокого обучения.

С нашими интуитивными уроками вы будете уверены, что понимаете все техники на инстинктивном уровне. И как только вы приступите к практическим упражнениям по кодированию, вы увидите, насколько более значимым будет ваш опыт. Это изменит правила игры.

3. Увлекательные проекты

Вы устали от курсов, основанных на чрезмерно используемых, устаревших наборах данных?

Да? Что ж, тогда тебя ждет угощение.

В этом курсе мы будем работать с наборами данных реального мира, чтобы решить проблемы бизнеса реального мира. (Определенно, это не скучные наборы данных по классификации радужной оболочки или цифр, которые мы видим в каждом курсе). В этом курсе мы решим шесть реальных задач:

• Искусственные нейронные сети для решения проблемы оттока клиентов
• Сверточные нейронные сети для распознавания изображений
• Рекуррентные нейронные сети для прогнозирования цен на акции
• Самоорганизующиеся карты для расследования мошенничества
• Машины Больцмана для создания системы Рекомендера
• Сложенные автоэнкодеры (Stacked Autoencoders) *, чтобы принять вызов за $ 1 миллион Netflix

* Stacked Autoencoders - это совершенно новая техника в Deep Learning, которой еще не было пару лет назад. Мы не видели, чтобы этот метод объяснялся где-либо еще достаточно подробно.

4. НАПИСАНИЯ КОДА

В Deep Learning A-Z ™ мы пишем код вместе с вами. Каждый практический урок начинается с пустой страницы, и мы пишем код с нуля. Таким образом, вы можете следовать и точно понимать, как код собирается вместе и что означает каждая строка.

Кроме того, мы намеренно структурируем код таким образом, чтобы вы могли его скачать и применить в своих собственных проектах. Кроме того, мы объясним пошагово, где и как изменить код для вставки ВАШЕГО набора данных, чтобы адаптировать алгоритм к вашим потребностям, чтобы получить результат, который вы ищете.

Это курс, который естественно распространяется на вашу карьеру.

-- Инструменты ---

Tensorflow и Pytorch - две самые популярные библиотеки с открытым исходным кодом для Deep Learning. В этом курсе вы изучите обе!

TensorFlow был разработан Google и используется в их системе распознавания речи, в новом продукте google photos, gmail, поиске google и многом другом. Компании, использующие Tensorflow, включают AirBnb, Airbus, Ebay, Intel, Uber и десятки других.

PyTorch столь же мощный и разрабатывается исследователями из Nvidia и ведущих университетов: Стэнфорд, Оксфорд, ParisTech. Компании, использующие PyTorch, включают Twitter, Saleforce и Facebook.

Так что лучше и для чего?

Хорошо, в этом курсе у вас будет возможность поработать с обоими и понять, когда Tensorflow лучше, а когда PyTorch. На протяжении всех уроков мы сравниваем их и даем вам советы и идеи, которые могли бы работать лучше при определенных обстоятельствах.

Интересно то, что обеим этим библиотекам чуть больше года. Вот что мы имеем в виду, когда говорим, что в этом курсе мы научим вас самым современным моделям и методам глубокого обучения.

--- Больше инструментов ---

Theano - еще одна библиотека глубокого обучения с открытым исходным кодом. По своей функциональности он очень похож на Tensorflow, но, тем не менее, мы все же рассмотрим его.

Keras - невероятная библиотека для реализации моделей глубокого обучения. Он действует как обертка для Theano и Tensorflow. Благодаря Keras мы можем создавать мощные и сложные модели глубокого обучения с помощью всего лишь нескольких строк кода. Это то, что позволит вам иметь глобальное видение того, что вы создаете. Все, что вы делаете, будет выглядеть так четко и структурировано благодаря этой библиотеке, что вы действительно получите интуицию и понимание того, что вы делаете.

--- Еще больше инструментов ---

Scikit-Learn самая практичная библиотека машинного обучения. Мы будем в основном использовать ее для:

• оценить эффективность наших моделей с использованием наиболее подходящей методики, k-Fold Cross Validation
• улучшить наши модели с эффективной настройкой параметров
• для предварительной обработки наших данных, чтобы наши модели могли учиться в лучших условиях

И, конечно же, мы должны упомянуть. Весь этот курс основан на Python, и в каждом разделе вы будете получать часы и часы бесценного практического опыта написания кода.

Кроме того, на протяжении всего курса мы будем использовать Numpy для выполнения больших вычислений и манипулирования массивами больших размеров, Matplotlib для построения проницательных диаграмм и Pandas для наиболее эффективного импорта и обработки наборов данных.

--- Для кого этот курс? ---

Как вы можете видеть, в сфере глубокого обучения существует множество различных инструментов, и в этом курсе мы обязательно покажем вам самые важные и самые прогрессивные, чтобы, когда вы закончите с Deep Learning AZ ™, ваши навыки были передовые технологии сегодняшнего дня.

Если вы только начинаете заниматься Deep Learning, этот курс окажется чрезвычайно полезным. Deep Learning A-Z ™ построен на основе специальных подходов к разработке кода, что означает, что вы не будете увязать в ненужном программировании или математических сложностях, а вместо этого будете применять методы глубокого обучения с самого начала курса. Вы будете наращивать свои знания с нуля, и вы увидите, как с каждым уроком вы становитесь все более и более уверенным.

Если у вас уже есть опыт глубокого обучения, вы найдете этот курс освежающим, вдохновляющим и очень практичным. Внутри Deep Learning AZ ™ вы овладеете некоторыми из самых передовых алгоритмов и методов глубокого обучения (некоторые из которых даже не существовали год назад), и благодаря этому курсу вы получите огромный ценный практический опыт работы с реальными бизнес-задачами. Кроме того, внутри вы найдете вдохновение для изучения новых навыков и приложений глубокого обучения.

--- Примеры из реальной жизни ---

Овладение глубоким обучением - это не только знание интуиции и инструментов, но и способность применять эти модели в реальных сценариях и получать реальные измеримые результаты для бизнеса или проекта. Вот почему в этом курсе мы представляем шесть захватывающих задач:

№ 1 Проблема моделирования оттока

В этой части вы будете решать задачи анализа данных для банка. Вам будет предоставлен набор данных с большой выборкой клиентов банка. Для создания этого набора данных банк собрал такую информацию, как идентификатор клиента, кредитный рейтинг, пол, возраст, срок владения, баланс, если клиент активен, имеет кредитную карту и тд. В течение 6 месяцев банк наблюдал, если эти клиенты уходили или оставались в банке.

Ваша цель - создать искусственную нейронную сеть, которая может на основе геодемографической и транзакционной информации, приведенной выше, прогнозировать, покинет ли какой-либо отдельный клиент банк или останется (отток клиентов). Кроме того, вас просят ранжировать всех клиентов банка, исходя из их вероятности ухода. Для этого вам нужно будет использовать правильную модель глубокого обучения, основанную на вероятностном подходе.

Если вы преуспеете в этом проекте, вы создадите значительную добавленную стоимость для банка. Применяя вашу модель глубокого обучения, банк может значительно сократить отток клиентов.

# 2 Распознавание изображений

В этой части вы создадите сверточную нейронную сеть, способную обнаруживать различные объекты на изображениях. Мы реализуем эту модель глубокого обучения, чтобы распознавать кошку или собаку в наборе картинок. Однако эту модель можно использовать повторно для обнаружения чего-либо еще, и мы покажем вам, как это сделать - просто изменив изображения во входной папке.

Например, вы сможете тренировать одну и ту же модель на множестве изображений мозга, чтобы определить, содержат ли они опухоль или нет. Но если вы хотите, чтобы это было приспособлено для кошек и собак, то вы буквально сможете сфотографировать свою кошку или собаку, и ваша модель предскажет, какое животное у вас есть. Мы даже проверили это на собаке Хаделина!

# 3 Прогнозирование цены акций

В этой части вы создадите одну из самых мощных моделей глубокого обучения. Мы даже дойдем до того, что скажем, что вы создадите модель глубокого обучения, наиболее близкую к «Искусственному интеллекту». Это почему? Потому что эта модель будет иметь долговременную память, как и мы, люди.

Ветвь Глубокого Изучения, которая облегчает это, является Периодическими Нейронными сетями. Классические RNN имеют короткую память и не были ни популярны, ни мощны по этой причине. Но недавнее значительное улучшение в Recurrent Neural Networks привело к популярности LSTM (RNN с кратковременной памятью), которая полностью изменила игровое поле. Мы очень рады включить эти передовые методы глубокого обучения в наш курс!

В этой части вы узнаете, как реализовать эту сверхмощную модель, и мы возьмем на себя задачу использовать ее для прогнозирования реальной цены акций Google. Исследователи из Стэнфордского университета уже сталкивались с подобной проблемой, и мы будем стремиться делать как минимум так же хорошо, как они.

# 4 Обнаружение мошенничества

Согласно недавнему отчету, опубликованному Markets & Markets, к 2021 году рынок обнаружения и предотвращения мошенничества будет стоить 33,19 млрд долларов США. Это огромная отрасль, и спрос на продвинутые навыки глубокого обучения будет только расти. Вот почему мы включили это тематическое исследование в курс.

Это первая часть Тома 2 - Модели глубокого обучения без присмотра. Задача бизнеса заключается в обнаружении мошенничества в приложениях для кредитных карт. Вы будете создавать модель глубокого обучения для банка, и вам будет предоставлен набор данных, содержащий информацию о клиентах, подающих заявку на расширенную кредитную карту.

Это данные, которые клиенты предоставили при заполнении формы заявки. Ваша задача - обнаружить потенциальное мошенничество в этих приложениях. Это означает, что к концу испытания вы в буквальном смысле придете к явному списку клиентов, которые потенциально могут обманывать свои приложения.

Системы рекомендаций № 5 и 6

От предложений продуктов Amazon до рекомендаций фильмов Netflix - хорошие системы рекомендаций очень важны в современном мире. И специалисты, которые могут их создать, являются одними из самых высокооплачиваемых ученых в области данных на планете.

Мы будем работать с набором данных, который имеет те же функции, что и набор данных Netflix: множество фильмов, тысячи пользователей, которые оценили просмотренные фильмы. Рейтинги варьируются от 1 до 5, точно так же, как в наборе данных Netflix, что делает систему Рекомендации более сложной для построения, чем если бы рейтинги были просто «Нравится» или «Не понравилось».

Ваша окончательная система рекомендаций сможет прогнозировать рейтинги фильмов, которые клиенты не смотрели. Соответственно, оценивая прогнозы от 5 до 1, ваша модель глубокого обучения сможет порекомендовать, какие фильмы должен смотреть каждый пользователь. Создание такой мощной Системы Рекомендоров - довольно сложная задача, поэтому мы сделаем два снимка. То есть мы построим его с двумя разными моделями глубокого обучения.

Нашей первой моделью будут Deep Belief Networks, сложные машины Больцмана, о которых будет рассказано в части 5. Затем наша вторая модель будет с мощными автоэнкодерами, моими личными фаворитами. Вы по достоинству оцените контраст между их простотой и тем, на что они способны.

И вы даже сможете применить его к себе или своим друзьям. Список фильмов будет явным, поэтому вам просто нужно будет оценить фильмы, которые вы уже смотрели, ввести свои оценки в набор данных, выполнить свою модель и вуаля! Система Recommender скажет вам, какие фильмы вы бы любили в одну ночь, если у вас нет идей о том, что смотреть на Netflix!