[PYTHON] Traduction japonaise du matériel pédagogique public du diplôme nano d'apprentissage profond

** Mis à jour de temps en temps **: des liens seront ajoutés à partir des liens traduits.

1.Tout d'abord

J'ai terminé le Deep learning nanodegree [^ name] que je prends depuis mars 2017. Ce cours est payant, mais Jupyter Notebook de haute qualité est ouvert au public gratuitement, j'ai donc décidé de le traduire en japonais après avoir relu [^ Cible]. Le référentiel GitHub est ici. Udacity a l'autorisation de publier.

[^ Name]: Ça n'a pas d'importance, mais parfois ça s'appelle officiellement Deep learning ** foundation ** nanodegree, et parfois ça s'appelle Deep learning nanodegree ** foundation **, donc je ne savais pas ce qui était correct. Pour le moment, cet article suit Introduction à Udacity Deep Learning Nanodegree. Si vous connaissez le nom officiel, je vous serais reconnaissant de bien vouloir me le dire.

[^ Cible]: la dernière version au 13 juillet 2017 sera traduite.

C'est une traduction super gratuite, mais j'espère qu'elle sera utile pour ceux qui s'interrogent sur la possibilité de suivre le cours. De plus, je vous serais reconnaissant de bien vouloir signaler toute erreur de traduction.

2. Deep learning nanodegree

Ceci est un cours payant de Udacity. Il couvre tous les sujets de base de l'apprentissage en profondeur, de la mise en œuvre de réseaux de neurones avec NumPy aux réseaux de neurones convolutionnels, aux réseaux de neurones récurrents et aux réseaux antagonistes génératifs. Veuillez vous référer à de merveilleux articles sur ce cours.

• Introduction de Udacity Deep Learning Nanodegree
• Impressions d'avoir terminé la Udacity Deep Learning Foundation

Certains des supports pédagogiques de ce cours sont disponibles sur YouTube et GitHub. Dans ce projet, nous traduirons le notebook publié sur GitHub en japonais [^ manual].

[^ Manual]: Idéalement, l'algorithme de Deep Learning devrait être implémenté et traduit automatiquement, mais cette fois il n'est ni puissant ni manuel. Nous recherchons des personnes capables de coopérer!

3. Table des matières

Les blocs-notes sont à peu près divisés en tutoriels et projets. Les réponses sont fournies pour les exercices du didacticiel, mais pas pour les exercices de projet. C'est parce que ce dernier est un devoir pour les étudiants Udacity. Par conséquent, dans ce projet, le didacticiel, qui est complété comme un seul bloc-notes, est la cible de la traduction.

Nous les classons en 5 groupes à notre discrétion comme suit. () Est le titre original.

3.1 Présentation

• Introduction à TensorFlow (Introduction à TensorFlow)
• Analyse de réputation avec TFLearn ([Analyse des sentiments avec TFLearn](https :: //github.com/haltaro/deep-learning-in-japanese/blob/master/intro-to-tflearn/TFLearn_Sentiment_Analysis_Solution.ipynb)): wrapper TensorFlow TFLearn, film Je contesterai l'analyse de réputation de la revue.
• Reconnaissance des numéros manuscrits avec TFLearn et MNIST
• Initialisation du poids pour améliorer les performances

3.2 Convolutional neural networks

• Transférer l'apprentissage avec ConvNet

3.3 Recurrent neural networks

• Introduction à RNN (RNN par caractère)
• Word2Vec（Embeddings）
• Analyse de réputation avec RNN ([Analyse de sentiment avec RNN](https: // github.com/haltaro/deep-learning-in-japanese/blob/master/sentiment-rnn/Sentiment_RNN_Solution.ipynb))): implémentez un réseau neuronal récurrent à long terme basé sur la mémoire dans TensorFlow pour l'analyse de réputation des critiques de films Je vais contester.
• Seq2Seq ([Sequence to sequence](https://github.com/haltaro/ deep-learning-in-japanese / blob / master / seq2seq / sequence_to_sequence_implementation.ipynb))): implémentez Seq2Seq dans TensorFlow pour implémenter un modèle qui trie les chaînes d'entrée.

3.4 Generative adversarial networks

• Autoencoder
• GAN (Generative Adversatial Network on MNIST) au MNIST
• Deep Convolutional GAN（Deep Convolutional GAN）

3.5 Autre

• Introduction à Tensorboard (Tensorboard)
• Renforcer l'apprentissage avec DQN ([Deep Q-learning](https :: //github.com/haltaro/deep-learning-in-japanese/blob/master/reinforcement/Q-learning-cart.ipynb)): Implémentez le réseau Deep Q-learning avec TensorFlow et Cat-Pole d'OpenAI Gym Je vais contester le jeu.
• Batch normalization（Batch normalization）

4. Construction de l'environnement

Le requirements.txt dans chaque répertoire montre l'environnement minimum requis pour exécuter un notebook.

pip

Vous pouvez construire l'environnement avec pip3 install -r requirements.

Conda

Il y a un fichier d'environnement pour Conda dans le répertoire ʻenvironments`. Veuillez utiliser le fichier adapté à votre plateforme.

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