- Регистрация
- 26 Март 2018
- Сообщения
- 84.130
Название: Глубокое обучение: GANы и вариационные автокодировщики (Часть 2 из 3)
Описание:
Автор: Lazy Programmer Inc.
Формат: Видео
Продолжительность: ~ 7.5 часов
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 53 видео лекции
Дата выдачи курса 25.05.20
Продажник
ЧАСТЬ 1 из 3
ЧАСТЬ 3 из 3
ЧЕМУ ВЫ НАУЧИТЕСЬ
– изучите основные принципы генеративных моделей;
– построение вариационного автокодировщика в Theano и TensorFlow;
– построение GAN (генеративно-состязательной сети) в Theano и TensorFlow.
ТРЕБОВАНИЯ
– знать, как построить нейронную сеть в Theano и/или TensorFlow;
– теория вероятностей;
– многофакторное счисление;
– Numpy и т. д.
ОПИСАНИЕ
В последнее время вариационные автокодировщики и GANы стали двумя наиболее
интересными разработками в глубоком и машинном обучении. Ян ЛеКун, первопроходец
глубокого обучения, заявил, что наиболее важной разработкой последних лет стало
состязательное обучение, касающееся GANов. GAN расшифровывается как генеративно-
состязательная сеть, где две нейронные сети соревнуются друг с другом.
Что такое обучение без учителя? Обучение без учителя означает, что мы не стараемся
сопоставить входные данные с целевыми переменными, а просто пытаемся изучить
структуру входных данных. Изучив эту структуру, мы можем сделать ряд замечательных
вещей. Одним из примеров является генерация стихов – мы уже проходили этот пример в
прошлом. Но поэзия – вещь очень специфическая, а как насчёт письма вообще?
Если мы сможем изучить структуру языка, то сможем и генерировать любого рода
текст. Действительно, крупные компании вкладывают большие суммы денег в исследования
того, как машины могли бы писать новости.
Но что, если мы вернёмся к поэзии и уберём слова? Тогда мы получим искусство в
целом. Изучая структуру искусства, мы можем создавать новые произведения искусства.
А как насчёт искусства звуков? Если мы изучим структуру музыки, то сможем
создавать новую музыку. Представьте себе ситуацию, когда топ-40 хитов на радио являются
песнями, написанные в большей степени роботами, чем людьми!
Возможности – просто безграничные!
У вас может возникнуть вопрос: «Чем этот курс отличается от первого курса по
глубокому обучению без учителя?» В том первом курсе мы тоже старались изучить
структуру данных, но по несколько другим причинам. Мы изучали структуру данных с
целью улучшить обучение с учителем, что, как было продемонстрировано, вполне возможно.
В этом новому курсе мы изучаем структуру данных с целью получить результат,
отображающий исходные данные. Это замечательно само по себе, но мы также используем
идеи байесовского машинного обучения, обучения с подкреплением и теории игр. Это будет
ещё чудеснее!
Спасибо за внимание и до встречи на занятиях!
Описание:
Автор: Lazy Programmer Inc.
Формат: Видео
Продолжительность: ~ 7.5 часов
Перевод: Красный Кут
Тип перевода: Транскрибация с русским переводом
Всего: 53 видео лекции
Дата выдачи курса 25.05.20
Продажник
ЧАСТЬ 1 из 3
ЧАСТЬ 3 из 3
ЧЕМУ ВЫ НАУЧИТЕСЬ
– изучите основные принципы генеративных моделей;
– построение вариационного автокодировщика в Theano и TensorFlow;
– построение GAN (генеративно-состязательной сети) в Theano и TensorFlow.
ТРЕБОВАНИЯ
– знать, как построить нейронную сеть в Theano и/или TensorFlow;
– теория вероятностей;
– многофакторное счисление;
– Numpy и т. д.
ОПИСАНИЕ
В последнее время вариационные автокодировщики и GANы стали двумя наиболее
интересными разработками в глубоком и машинном обучении. Ян ЛеКун, первопроходец
глубокого обучения, заявил, что наиболее важной разработкой последних лет стало
состязательное обучение, касающееся GANов. GAN расшифровывается как генеративно-
состязательная сеть, где две нейронные сети соревнуются друг с другом.
Что такое обучение без учителя? Обучение без учителя означает, что мы не стараемся
сопоставить входные данные с целевыми переменными, а просто пытаемся изучить
структуру входных данных. Изучив эту структуру, мы можем сделать ряд замечательных
вещей. Одним из примеров является генерация стихов – мы уже проходили этот пример в
прошлом. Но поэзия – вещь очень специфическая, а как насчёт письма вообще?
Если мы сможем изучить структуру языка, то сможем и генерировать любого рода
текст. Действительно, крупные компании вкладывают большие суммы денег в исследования
того, как машины могли бы писать новости.
Но что, если мы вернёмся к поэзии и уберём слова? Тогда мы получим искусство в
целом. Изучая структуру искусства, мы можем создавать новые произведения искусства.
А как насчёт искусства звуков? Если мы изучим структуру музыки, то сможем
создавать новую музыку. Представьте себе ситуацию, когда топ-40 хитов на радио являются
песнями, написанные в большей степени роботами, чем людьми!
Возможности – просто безграничные!
У вас может возникнуть вопрос: «Чем этот курс отличается от первого курса по
глубокому обучению без учителя?» В том первом курсе мы тоже старались изучить
структуру данных, но по несколько другим причинам. Мы изучали структуру данных с
целью улучшить обучение с учителем, что, как было продемонстрировано, вполне возможно.
В этом новому курсе мы изучаем структуру данных с целью получить результат,
отображающий исходные данные. Это замечательно само по себе, но мы также используем
идеи байесовского машинного обучения, обучения с подкреплением и теории игр. Это будет
ещё чудеснее!
Спасибо за внимание и до встречи на занятиях!
Скрытый контент для пользователей All-dar.