[PYTHON] [Für Anfänger] Was ist in Deep Learning von Grund auf neu geschrieben?

Es scheint, dass es sich ziemlich gut verkauft

"Deep Learning von Grund auf neu - Die Theorie und Implementierung von Deep Learning, das mit Python gelernt wurde", veröffentlicht von O'Reilly Japan

Es scheint, dass es sich ziemlich gut verkauft.

Dieses Mal werde ich kurz vorstellen, was in diesem Buch geschrieben steht.

Für diejenigen, die sich Sorgen um den Kauf machen, hoffe ich, dass dies einer der Indikatoren ist.

Dieses Buch ist ein sehr einfaches Buch, das das Wissen erklärt, das erforderlich ist, um das tiefe Lernen nacheinander anhand der Grundlagen zu verstehen.

Was ist schließlich tiefes Lernen? Was sind die Eigenschaften? Was ist das Funktionsprinzip? Usw. werden leicht verständlich erklärt.

Dieses Buch enthält acht Kapitel.

1. Einführung in Python
2. Perceptron
3. Neuronales Netz
4. Lernen des neuronalen Netzwerks
5. Fehler zurück Propagierungsmethode
6. Lerntechniken
7. Faltungsneuronales Netzwerk
8. Tiefes Lernen

Ich werde jeden Inhalt auf den Punkt bringen.

Kapitel 1, "Einführung in Python", Seite 20

In diesem Kapitel lernen Sie die Grundlagen von Python kennen.

Es deckt alles ab, von Python-Installationsmethoden bis hin zu Datentypen, Variablen, Listen, if-Anweisungen, für Anweisungen, Funktionen und Klassen auf umfassende und einfache Weise.

Zusätzlich zu diesen Grundlagen von Python werden wir kurz auf die Verwendung der externen Bibliotheken Numpy und Matplotlib eingehen, die für das Erlernen des maschinellen Lernens unerlässlich sind.

** Punkt! "Deep Learning wird mit Python gemacht" **

Kapitel 2, "Perceptron", Seite 17

In diesem Kapitel erfahren Sie mehr über Perceptron, die Quelle neuronaler Netze.

Nach der Erläuterung des Mechanismus und der Bewegung des UND-Gatters, des NAND-Gatters und des ODER-Gatters wird das XOR-Gatter durch Kombinieren dieser drei erklärt.

Dies ist praktisch, da hier auch beschrieben wird, wie es in Python implementiert wird.

Wenn Sie ernsthaft versuchen, Logikschaltungen zu lernen, werden Sie mehr Tore sehen, aber ich denke, das Gute an diesem Buch ist, dass es die minimal notwendigen Informationen enthält, die Sie beim Erlernen neuronaler Netze kennen sollten. Ich werde.

Ich kann mir vorstellen, dass durch das Sammeln dieser Informationen tiefes Lernen entsteht.

** Punkt! "Die Basis des tiefen Lernens ist Perceptron" **

Kapitel 3, "Neuronales Netz", Seite 43

In diesem Kapitel haben wir endlich ein neuronales Netzwerk (NN).

Sie können verstehen, dass NN erstellt werden kann, indem Sie dem in Kapitel 2 erwähnten Perzeptron die "Aktivierungsfunktion" hinzufügen.

Darüber hinaus können Sie erläutern, wie die in NN häufig verwendete "Matrix" berechnet und verwendet wird.

Wenn Sie so weit gelesen haben, können Sie Ihre eigene NN erstellen. In diesem Kapitel erstellen wir tatsächlich eine KI, die handgeschriebene Zeichen erkennt, indem sie mit Python ein dreischichtiges NN zusammensetzt.

** Punkt! "Perceptron + Aktivierungsfunktion-> Sie können ein neuronales Netzwerk erstellen!" **

Kapitel 4, „Lernen neuronaler Netze“, Seite 39

Im vorherigen Kapitel 3 haben wir nur die Form des NN erstellt, nicht das wesentliche "Lernen".

In diesem Kapitel 4 wird der Lernteil schließlich erklärt.

Es beginnt mit dem Satz "Das Merkmal von NN ist, dass es aus Daten gelernt werden kann" und zeigt den Unterschied zum herkömmlichen maschinellen Lernen.

Es werden ca. 30 Seiten mit Erläuterungen zu wesentlichen Ideen für NN wie "Trainingsdaten" und "Testdaten", Einzelheiten zur "Verlustfunktion" und wer und warum "Differenzierung" erforderlich ist beschrieben.

Am Ende des Kapitels wird die Implementierungsmethode (Code) in Python ausführlich beschrieben.

An diesem Punkt ist es fast Zeit, tiefes Lernen zu verstehen.

** Punkt! "NN lernt aus Daten!" **

Kapitel 5, "Backpropagation-Methode", Seite 41

Es gibt 6 Kanji, unbekannte Wörter, und Sie werden aufgeben wollen.

Wenn Sie dieses Kapitel jedoch verstehen können, ist es keine Übertreibung zu sagen, dass Sie alle Operationen des neuronalen Netzwerks oder der "künstlichen Intelligenz (KI)" verstanden haben, über die derzeit gesprochen wird.

Die Fehlerrückausbreitungsmethode ist einfach die Methode zum "Anpassen der Berechnungsergebnisse", die der "wesentliche" Teil des NN-Lernens ist. Daher ist es ziemlich schwierig.

In diesem Buch werden jedoch viele leicht verständliche Beispiele und Abbildungen verwendet, sodass es sehr leicht zu verstehen ist.

** Punkt! "Passen Sie das Berechnungsergebnis mit der Fehlerrückverteilungsmethode korrekt an!" **

Kapitel 6, "Lerntechniken", Seite 38

Dieses Kapitel enthält viele sehr nützliche Informationen.

Techniken, die in das NN-Lernen einbezogen werden sollten, wie "Aktualisierungsparameter", "Chargennormalisierung" und "Normalisierung", sind enthalten.

Es ist gut, ein NN zu erstellen und es lernen zu lassen, aber wenn Sie befürchten, dass sich die Genauigkeit nicht wie erwartet verbessert, ist dieses Kapitel sehr hilfreich.

** Punkt! "Wenn du dich verirrst, schau hier!" **

Kapitel 7, "Falten des neuronalen Netzes", Seite 34

Die Wurzel des KI-Booms, der heutzutage ein heißes Thema geworden ist, ist die Ankündigung dieses "Faltungs-Neuronalen Netzwerks".

Convolutional Neural Network wird als CNN abgekürzt und überall in der Bilderkennungs- und Spracherkennungs-KI verwendet.

Es scheint, dass fast alle Deep-Learning-Methoden bei Bilderkennungswettbewerben auf CNN basieren.

Es braucht Zeit, um den Inhalt zu verstehen, da es sich um die heißeste und neueste Technologie handelt.

In diesem Kapitel 7 wird CNN jedoch auf leicht verständliche Weise anhand von insgesamt 28 Abbildungen auf 34 Seiten erläutert.

Von der Erklärung und Implementierung der Falt- und Poolschicht bis zur Visualisierung des CNN und des typischen CNN wird es detailliert geschrieben, damit Sie das CNN im Allgemeinen verstehen können.

** Punkt! "Bei Bilderkennungswettbewerben basieren fast alle Deep-Learning-Techniken auf CNN." **

Kapitel 8 "Deep Learning" Seite 31

Dies ist das letzte Kapitel. Über "Deep Learning", das wie ein letzter Chef wartete.

Deep Learning ist eine immer tiefere Schicht von NN, die in den Kapiteln 1 bis 7 erläutert wurde.

Tatsächlich hat die Form (das Modell) des tiefen Lernens einen bestimmten "Typ". Große Unternehmen wie Google forschen und finden Formen mit hoher Genauigkeit (Modelle, Schichtstrukturen, Zahlen, Parameter usw.), sodass wir sie einfach so verwenden können, wie sie sind, und hochpräzise KI Kann gemacht werden.

Dank der intelligenten und großartigen Leute von Google.

Wie sind die beliebten Modelle in diesem Buch in den Vordergrund gerückt? Außerdem wird beschrieben, was zur Beschleunigung des Lernens erforderlich ist.

Schließlich wird darauf eingegangen, wie dieses tiefe Lernen tatsächlich genutzt wird und wie die Zukunft des tiefen Lernens aussehen wird.

Zusammenfassung

Ich habe grob den Inhalt von "Deep Learning von Grund auf neu - Die Theorie und Implementierung des mit Python gelernten Deep Learning" geschrieben, der von O'Reilly Japan veröffentlicht wurde.

Es ist sehr gut lesbar, da es die Natur, Herausforderungen und Möglichkeiten des tiefen Lernens aus der Vogelperspektive betrachtet.

Ich denke, es ist ein Muss für Programmierer des maschinellen Lernens!

** Nachschlagewerk ** "Deep Learning von Grund auf neu - Die Theorie und Implementierung von Deep Learning aus Python -"

Erfahren Sie mehr über künstliche Intelligenz / KI / maschinelles Lernen

** "KI für Katzenallergie" ** https://t.co/4ltE8gzBVv?amp=1 Wir senden über maschinelles Lernen auf YouTube. Wenn Sie Zeit haben, schauen Sie bitte.

created by NekoAllergy