[PYTHON] [Pour les débutants] Après tout, qu'est-ce qui est écrit dans Deep Learning fait à partir de zéro?
Il semble qu'il se vend plutôt bien
"Deep Learning from scratch-The Theory and Implementation of Deep Learning Learn with Python-" publié par O'Reilly Japan
Il semble qu'il se vend assez bien.
Cette fois, je présenterai brièvement ce qui est écrit dans ce livre.
Pour ceux qui s'inquiètent de l'achat, j'espère que ce sera l'un des indicateurs.
Ce livre est un livre très simple qui explique les connaissances nécessaires pour comprendre un par un l'apprentissage profond à partir des bases.
Qu'est-ce que l'apprentissage profond après tout? Quelles sont les caractéristiques? Quel est le principe de fonctionnement? Etc. sont expliqués d'une manière facile à comprendre.
Il y a huit chapitres dans ce livre.
- Introduction à Python
- Perceptron
- Réseau neuronal
- Apprendre le réseau neuronal
- Méthode de propagation de retour d'erreur
- Techniques d'apprentissage
- Réseau neuronal à convolution
- Apprentissage en profondeur
Je vais expliquer chaque contenu en un mot.
Chapitre 1, "Introduction à Python", page 20
Ce chapitre vous apprendra les bases de Python.
Il couvre tout, des méthodes d'installation Python aux types de données, aux variables, aux listes, aux instructions if, aux instructions, aux fonctions et aux classes d'une manière complète et simple.
En plus de ces bases de Python, nous abordons également brièvement comment utiliser les bibliothèques externes Numpy et Matplotlib, qui sont essentielles pour l'apprentissage automatique.
** Point! "Le Deep Learning est fait avec Python" **
Chapitre 2, "Perceptron", page 17
Ce chapitre vous apprendra sur Perceptron, la source des réseaux de neurones.
Après avoir expliqué le mécanisme et le mouvement de la porte ET, de la porte NAND et de la porte OU, il y a une explication de la porte XOR faite en combinant ces trois.
C'est pratique car il décrit également comment l'implémenter en Python.
Si vous essayez d'apprendre sérieusement les circuits logiques, vous verrez plus de portes, mais je pense que la bonne chose à propos de ce livre est qu'il contient le minimum d'informations nécessaires que vous devez savoir lors de l'apprentissage des réseaux de neurones. Je vais.
J'imagine qu'en les accumulant, cela deviendra un apprentissage profond.
** Point! "La base de l'apprentissage profond est Perceptron" **
Chapitre 3, "Réseau neuronal", page 43
Dans ce chapitre, nous avons enfin un réseau de neurones (NN).
Vous pouvez comprendre que NN peut être créé en ajoutant la "fonction d'activation" au perceptron mentionné au chapitre 2.
En outre, vous pouvez aborder la façon de calculer et d'utiliser la «matrice» qui est fréquemment utilisée dans NN.
Si vous lisez jusqu'ici, vous pourrez créer votre propre NN. Dans ce chapitre, nous créons en fait une IA qui reconnaît les caractères manuscrits en assemblant un NN à trois couches avec Python.
** Point! "Fonction d'activation Perceptron + -> vous pouvez créer un réseau neuronal!" **
Chapitre 4, «Apprentissage des réseaux de neurones», page 39
Dans le chapitre 3 précédent, nous venons de créer la forme du NN, pas l '«apprentissage» essentiel.
Dans ce chapitre 4, la partie apprentissage est enfin expliquée.
Il commence par la phrase "La caractéristique de NN est qu'il peut être appris à partir de données" et nous indique la différence avec l'apprentissage automatique conventionnel.
Environ 30 pages d'explications d'idées essentielles pour NN telles que "données d'apprentissage" et "données de test", les détails de la "fonction de perte", et qui et pourquoi la "différenciation" est nécessaire sont décrites.
À la fin du chapitre, la méthode d'implémentation (code) en Python est décrite en détail.
À ce stade, il est presque temps de comprendre l'apprentissage en profondeur.
** Point! "NN apprend des données!" **
Chapitre 5, «Méthode de rétropropagation», page 41
Il y a 6 kanji, des mots inconnus, et vous voudrez abandonner.
Cependant, si vous pouvez comprendre ce chapitre, il n'est pas exagéré de dire que vous avez compris toutes les opérations du réseau neuronal ou de «l'intelligence artificielle (IA)» dont on parle actuellement.
La méthode de propagation en retour d'erreur est simplement la méthode "d'ajustement des résultats de calcul", qui est la partie "essentielle" de l'apprentissage NN. C'est donc assez difficile.
Cependant, ce livre utilise de nombreux exemples et illustrations faciles à comprendre, il est donc très facile à comprendre.
** Point! "Ajustez correctement le résultat du calcul par la méthode de propagation des erreurs!" **
Chapitre 6, «Techniques d'apprentissage», page 38
Ce chapitre contient de nombreuses informations très utiles.
Les techniques qui devraient être incorporées dans l'apprentissage NN, telles que les «paramètres de mise à jour», la «normalisation par lots» et la «normalisation», sont incluses.
C'est bien de créer un NN et de le laisser apprendre, mais si vous craignez que la précision ne s'améliore pas comme prévu, ce chapitre vous sera très utile.
** Point! "Si vous vous perdez, regardez ici!" **
Chapitre 7, «Repli du réseau neuronal», page 34
La racine du boom de l'IA qui est devenu un sujet brûlant ces jours-ci est l'annonce de ce "réseau neuronal convolutif".
Convolutional Neural Network est abrégé en CNN et est utilisé partout dans l'IA de reconnaissance d'image et l'IA de reconnaissance vocale.
Il semble que presque toutes les méthodes d'apprentissage en profondeur soient basées sur CNN lors des concours de reconnaissance d'images.
Il faut du temps pour comprendre le contenu car il s'agit de la technologie la plus chaude et la plus récente.
Cependant, dans ce chapitre 7, CNN est expliqué d'une manière facile à comprendre en utilisant un total de 28 figures sur 34 pages.
De l'explication et de la mise en œuvre de la couche de pliage et de la couche de regroupement à la visualisation du CNN et du CNN typique, il est écrit en détail, afin que vous puissiez comprendre le CNN en général.
** Point! "Lors des concours de reconnaissance d'image, presque toutes les techniques d'apprentissage en profondeur sont basées sur CNN." **
Chapitre 8 "Apprentissage en profondeur" Page 31
Ceci est le dernier chapitre. A propos du "deep learning" qui attendait comme un dernier boss.
L'apprentissage profond est une couche de plus en plus profonde de NN qui a été expliquée dans les chapitres 1 à 7.
En fait, la forme (le modèle) de l'apprentissage profond a un certain «type». De grandes entreprises telles que Google mènent des recherches et trouvent des formes offrant une grande précision (modèles, structures de couches, nombres, paramètres, etc.), afin que nous puissions les utiliser telles quelles et une IA de haute précision. Peut être fait.
Merci aux gens intelligents et formidables de Google.
Comment les modèles populaires sont-ils apparus dans ce livre? Il décrit également ce qui est nécessaire pour accélérer l'apprentissage.
Enfin, il aborde la manière dont cet apprentissage profond est réellement utilisé et l'avenir de l'apprentissage profond.
Résumé
J'ai en gros écrit le contenu de "Deep Learning from scratch-The Theory and implementation of deep learning appris with Python-" publié par O'Reilly Japan.
Il est très lisible car il donne une vue d'ensemble de la nature, des défis et des possibilités d'apprentissage en profondeur.
Je pense que c'est un bon livre à lire absolument pour les programmeurs d'apprentissage automatique!
** Livre de référence ** "Deep Learning from scratch - La théorie et la mise en œuvre de l'apprentissage profond appris de Python-"
En savoir plus sur l'intelligence artificielle / l'IA / l'apprentissage automatique
** "AI pour les allergies aux chats" ** https://t.co/4ltE8gzBVv?amp=1 Nous envoyons des informations sur l'apprentissage automatique sur YouTube. Si vous avez le temps, jetez un œil.
created by NekoAllergy