[PYTHON] Japanische Übersetzung der öffentlichen Unterrichtsmaterialien des Deep Learning Nano Degree

** Von Zeit zu Zeit aktualisiert **: Von den übersetzten Links werden Links hinzugefügt.

1. Zuallererst

Ich habe den Deep Learning Nanodegree [^ name] abgeschlossen, den ich seit März 2017 nehme. Dieser Kurs ist kostenpflichtig, aber Hochwertiges Jupyter-Notizbuch ist für die Öffentlichkeit kostenlos zugänglich, daher habe ich beschlossen, es nach Überprüfung von [^ ins Japanische zu übersetzen Ziel]. Das GitHub-Repository befindet sich hier. Udacity hat die Erlaubnis zum Veröffentlichen.

[^ Name]: Es spielt keine Rolle, aber manchmal heißt es offiziell Deep Learning ** Foundation ** Nanodegree, und manchmal heißt es Deep Learning Nanodegree ** Foundation **, also wusste ich nicht, was richtig war. Derzeit folgt dieser Artikel Einführung in Udacity Deep Learning Nanodegree. Wenn Sie den offiziellen Namen kennen, würde ich mich freuen, wenn Sie es mir sagen könnten.

[^ Ziel]: Die neueste Version vom 13. Juli 2017 wird übersetzt.

Es ist eine superfreie Übersetzung, aber ich hoffe, sie ist hilfreich für diejenigen, die sich über den Kurs wundern. Ich wäre Ihnen auch dankbar, wenn Sie auf Fehlübersetzungen hinweisen könnten.

2. Deep learning nanodegree

Dies ist ein kostenpflichtiger Kurs von Udacity. Es behandelt alle grundlegenden Themen des Deep Learning, von der Implementierung neuronaler Netze mit NumPy bis hin zu Faltungs-Neuronalen Netzen, wiederkehrenden neuronalen Netzen und generativen gegnerischen Netzen. Bitte lesen Sie einige wundervolle Artikel über diesen Kurs.

• Einführung von Udacity Deep Learning Nanodegree
• Eindrücke vom Abschluss der Udacity Deep Learning Foundation

Einige der Unterrichtsmaterialien für diesen Kurs sind auf youtube und [GitHub] verfügbar (https://github.com/udacity/deep-learning). In diesem Projekt werden wir das auf GitHub veröffentlichte Notizbuch ins Japanische [^ Handbuch] übersetzen.

[^ Manual]: Idealerweise sollte der Deep-Learning-Algorithmus implementiert und maschinell übersetzt werden, diesmal ist er jedoch nicht leistungsfähig und manuell. Wir suchen Menschen, die kooperieren können!

3. Inhaltsverzeichnis

Notizbücher sind grob in Tutorials und Projekte unterteilt. Antworten werden für Übungsaufgaben bereitgestellt, nicht jedoch für Projektübungen. Dies liegt daran, dass letzteres eine Aufgabe für Udacity Studenten ist. Daher ist in diesem Projekt das Tutorial, das als ein Notizbuch abgeschlossen wird, das Ziel der Übersetzung.

Wir klassifizieren sie nach unserem Ermessen wie folgt in 5 Gruppen. () Ist der Originaltitel.

3.1 Einleitung

• Einführung in TensorFlow (Einführung in TensorFlow)
• Reputationsanalyse mit TFLearn ([Stimmungsanalyse mit TFLearn](https :: //github.com/haltaro/deep-learning-in-japanese/blob/master/intro-to-tflearn/TFLearn_Sentiment_Analysis_Solution.ipynb)): TensorFlow-Wrapper TFLearn, Film Ich werde die Reputationsanalyse der Überprüfung in Frage stellen.
• Handschriftliche Nummernerkennung mit TFLearn und MNIST
• Gewichtsinitialisierung zur Verbesserung der Leistung

3.2 Convolutional neural networks

• Transferlernen mit ConvNet

3.3 Recurrent neural networks

• Einführung in RNN (zeichenweise RNN)
• Word2Vec（Embeddings）
• Reputationsanalyse mit RNN ([Stimmungsanalyse mit RNN](https: //) github.com/haltaro/deep-learning-in-japanese/blob/master/sentiment-rnn/Sentiment_RNN_Solution.ipynb))): Implementieren Sie in TensorFlow ein auf Kurzzeitgedächtnis basierendes wiederkehrendes neuronales Netzwerk für die Reputationsanalyse von Filmkritiken Ich werde herausfordern.
• Seq2Seq ([Sequenz zur Sequenz](https://github.com/haltaro/ Deep-Learning-in-Japanisch / blob / master / seq2seq / sequence_to_sequence_implementation.ipynb))): Implementieren Sie Seq2Seq in TensorFlow, um ein Modell zu implementieren, das Eingabezeichenfolgen sortiert.

3.4 Generative adversarial networks

• Autoencoder
• GAN (Generative Adversatial Network auf MNIST) bei MNIST
• Deep Convolutional GAN（Deep Convolutional GAN）

3.5 Sonstiges

• Einführung in Tensorboard (Tensorboard)
• Stärkung des Lernens mit DQN ([Deep Q-learning](https :: //github.com/haltaro/deep-learning-in-japanese/blob/master/reinforcement/Q-learning-cart.ipynb)): Implementieren Sie ein Deep Q-Learning-Netzwerk mit TensorFlow und Cat-Pole von OpenAI Gym Ich werde das Spiel herausfordern.
• Batch normalization（Batch normalization）

4. Umweltbau

Die require.txt in jedem Verzeichnis zeigt die Mindestumgebung an, die zum Ausführen eines Notebooks erforderlich ist.

pip

Sie können die Umgebung mit "pip3 install -r Anforderungen" erstellen.

Conda

Im Verzeichnis "Umgebungen" befindet sich eine Umgebungsdatei für "Conda". Bitte verwenden Sie die für Ihre Plattform geeignete Datei.

License MIT License Copyright (c) 2017 Udacity, Inc.