- 在线视频
- ISBN-10: 0-13-662022-1
- ISBN-13: 978-0-13-662022-8
6小时的视频教学
直观地介绍了由深度学习促进的最新超人能力。
概述
机器视觉,gan,深度强化学习是当今深度学习中最令人兴奋的三个主题的介绍。现代机器视觉涉及自动化系统在图像识别,目标检测和图像分割任务上优于人类。生成对抗网络(Generative Adversarial Networks)将两个深度学习网络以伪造-侦查关系相互对抗,从而能够制作出具有灵活、用户可指定元素的令人惊叹的、逼真的图像。深度强化学习也产生了同样令人惊讶的进步,包括大部分最广为人知的人工智能突破。深度强化学习包括训练智能体在给定环境中变得熟练,使算法在各种复杂挑战上达到或超过人类水平,包括雅达利电子游戏、棋盘游戏围棋和微妙的手动操作任务。在这些课程中,基本理论与直观的解释和互动,动手木星笔记本演示带来了生活。示例在TensorFlow 2(最流行的深度学习库)中使用Python和直接的Keras层。
客户审查
我喜欢乔恩的材料,因为他煞费苦心地引导你完成操作的机制。
技术水平
学习如何
- 了解机器视觉,深度强化学习和生成对抗网络的高级理论和关键语言
- 为图像识别、对象检测和图像分割创建最先进的模型
- 建筑师gan,以人类绘制的插图风格创建令人信服的图像
- 构建深度强化学习代理,使其能够熟练地在各种环境中执行任务,例如OpenAI Gym提供的那些环境
- 运行自动化实验以优化深度强化学习代理超参数,例如其人工神经网络配置
- 了解人工智能目前的局限性是什么,以及在不久的将来如何克服它们
谁应该修这门课
- 非常适合对将深度学习应用于自然语言数据感兴趣的软件工程师、数据科学家、分析师和统计学家
- Python提供了代码示例,因此熟悉Python或其他面向对象编程语言会有所帮助
课程要求年代
- 作者使用TensorFlow, Keras和PyTorch进行深度学习,或者熟悉他的书中第5章到第9章所涵盖的主题深度学习图解,是一个先决条件。
课程描述
第一课:定位
第1课从快速回顾如何运行课程中的代码开始。然后回顾了构建机器视觉、gan和深度强化学习专业所必需的基础深度学习理论。这节课的最后,我们将抢先了解一下将在所有五节直播课程中开发的尖端功能。
教训2:机器视觉中的卷积神经网络
第2课介绍卷积层。卷积层首先用于在TensorFlow中创建卷积网络。然后课程涵盖了机器学习应用的范围,包括残差网络,图像分割,对象检测,迁移学习和胶囊网络。
第三课:创造性的生成对抗网络
第3课从生成对抗网络(gan)的应用和基本理论开始。然后你会看到快速抽签!游戏,它被用作单个类中成千上万的手绘图像的来源,供GAN学习如何模仿。本课的其余部分将用于开发GAN的三个主要组件的复杂代码:鉴别器网络,生成器网络和使它们相互对抗的对抗网络。
第四课:深度强化学习
第4课从深度强化学习的定义开始,然后转向其应用的概述。这节课最后讨论了深度强化学习与人工智能的关系。
第5课:深度q学习和超越
第5课从Cart-Pole游戏开始,该游戏在课程中用于训练深度强化学习算法。然后转向深度强化学习和深度q -学习背后的理论,这是一种流行的深度强化学习代理。
有了这个理论,你就可以直观地理解代码,然后你就可以定义自己的DQN代理,并让它在Cart-Pole游戏中脱颖而出。本课程最后探索了一种优化深度强化学习代理超参数的工具,介绍了DQN代理之外的代理,概述了一些可能的项目想法,并回到人工智能的讨论中,以解决当代深度学习方法的局限性。
关于培生视频培训188号金宝搏网页
培生出版专家主导的视频教程,涵盖广泛的技术主题,旨在教你成功所需的技能。这些专业和个人技术视频具有由您值得信赖的技术品牌出版的世界领先的作者讲师:Addison-Wesley,思科出版社,Pearson IT认证,Prentice Hall, Sams和Que主题包括:IT认证,网络安全,思科技术,编程,Web开发,移动开发等。了解更多关于培生视频培训的信息,请访问http:/188号金宝搏网页/www.e-skidka.com/video。金宝搏188亚洲体育真人始乐
视频课程可供下载,以流媒体格式离线观看。在每节课中寻找绿色箭头。
目录表
介绍
第一课:定位
主题
1.1在Jupyter笔记本中运行动手代码示例
1.2深度学习理论综述
1.3偷窥
第2课:机器视觉的卷积神经网络
主题
2.1卷积层
2.2卷积滤波超参数
2.3激活池和扁平化
2.4在TensorFlow中构建ConvNet
2.5 ConvNet模型架构
2.6残留网络
2.7图像分割
2.8目标检测
2.9迁移学习
2.10胶囊网络
第3课:创造性的生成对抗网络
主题
通宵狂饮
3.2潜在空间:假人脸的算法
3.3风格转换:将照片转换为莫奈(反之亦然)
3.4 gan的应用
3.5 GAN基本理论
3.6“快,画!”数据集
3.7鉴别器网络
3.8发电机组网
3.9训练对抗网络
第四课:深度强化学习
主题
4.1机器学习问题的三大类
4.2当强化学习变得深入
4.3电子游戏应用
4.4桌游应用
4.5实际应用
4.6强化学习环境
4.7人工智能的三大类
第5课:深度q学习和超越
主题
5.1车杆游戏
5.2基本强化学习理论
5.3深度q -学习网络
5.4定义DQN代理
5.5与环境交互
5.6使用SLM Lab进行超参数优化
5.7 DQN以外的座席
5.8数据集、项目理念和自学资源
5.9接近人工通用智能
总结