作家:Datawhale

李宏毅板滞进修完备条记发布,AI界「最热视频博主」中文课程条记全开源

提起李宏毅教师,熟习板滞进修的读者朋侪必定不会生疏。许众人挑选的板滞进修初学进修材料都是李宏毅教师的台至公然课视频。现,板滞进修喜好者有更完美的进修材料了。来自 Datawhale 的朋侪拾掇、总结了李宏毅教师的板滞进修视频教程,添加了课程条记,完成了课程实质的完备复现。目前项目已完备开源,包罗课程实质和复当代码,供大师运用。

目次

1.李宏毅板滞进修简介

2.《LeeML-Notes》李宏毅板滞进修条记

3.《LeeML-Notes》进修条记框架

4.条记实质细节展现

a. 对梯度下降看法的解析

b. 为什么需求做特征缩放

c. 隐形马尔科夫链的运用

5.代码呈现

a. 回归剖析

b. 深度进修

6.功课展现

7.交换互动

8.开源地址

9.配套视频

 1. 李宏毅板滞进修简介

李宏毅教师现任台湾大学电气工程帮理传授,研讨要点是板滞进修,特别是深度进修范畴。他有一系列公然的板滞进修课程视频,板滞进修范畴是许众人初学的教材,人气不输吴恩达的 Coursera 板滞进修课程。

李宏毅教师的课程视频包罗众种监视进修、无监视进修、半监视进修等范畴,算法包罗简单的线性回归、logistic 回归、支撑向量机,以致深度进修中的种种神经收集模子。

「梯度下降」课程中的 PPT 。比照了差别梯度下弧线的样式。

词嵌入」课程中的PPT。展现了语义相似词语词嵌入后呈现出的聚集联系。

因为课程中干货满满,李宏毅教师的课程视频也被称为中文天下中最好的板滞进修视频。李教师以幽默幽默的上课立场让许众艰涩难懂的板滞进修表面变得轻松易懂,他将表面常识与幽默的例子联合课堂上展现,而且对高深的表面常识逐渐推导,包管进修者可以进修到题目的精髓所。比如教师会常常用宝可梦来联合许众板滞进修算法。关于念初学板滞进修又念看中文讲解的人来说绝对好坏常引荐的。

可是,思索到许众板滞进修喜好者关于课程条记的需求,我们不光仅需求的是教学视频。我们需求一份课程条记,可以引颈进修者的思道,帮帮指导他们进入这个范畴。于是,就降生了这款《LeeML-Notes》李宏毅板滞进修条记。

 2.《LeeML-Notes》李宏毅板滞进修条记

LeeML-Notes 是 Datawhale 开源构造自《板滞进修南瓜书》后的又一开源进修项目,由团队成员王佳旭、金一鸣牵头,8 名成员历时半年全心打磨而成,完成了李宏毅教师板滞进修课程实质的 100% 复现,而且此根底上增补了有帮于进修了解的相关材料和实质,对重难点公式举行了增补推导。时代,Datawhale 开源构造打制了《李宏毅教师板滞进修》的组队进修,浩繁进修者配合的起劲下,对该实质举行了迭代和增补。下面,让我们来精细了解下义务详情吧。

精细准备义务:

  • 2019 年 2 月--2019 年 4 月:条记拾掇初级阶段,视频 100% 复现

  • 2019 年 4 月--2019 年 6 月:网站搭修,对条记实质及排版迭代优化

  • 2019 年 5 月--2019 年 6 月:组队进修《李宏毅板滞进修》并对实质举行迭代完美

  • 2019 年 7 月:着末实质改正,正式推行。

下图为修订记载外:

 3.《LeeML-Notes》进修条记框架

3.a 亮点

这份进修条记具有以下优点:

  • 完备将李宏毅教师的讲课实质转为文字,便当进修者查阅参考。

  • 不光保管了 PPT 的实质,还依据课程实质增补了少许常识点。

  • 具有完备的代码复现材料。

3.b 条记框架

实质全体框架上与李宏毅教师的板滞进修课程保持同等,主要由监视进修、半监视进修、迁移进修、无监视进修、监视进修中的构造化进修以及深化进修构成。倡议进修进程中将李宏毅教师的视频和这份材料搭配运用,效果极佳。条记也和课程视频完备同步。

目次详情睹下:

  • P1 板滞进修先容

  • P2 为什么要进修板滞进修

  • P3 回归

  • P4 回归-演示

  • P5 偏向从哪来?

  • P6 梯度下降

  • P7 梯度下降(用 AOE 演示)

  • P8 梯度下降(用 Minecraft 演示)

  • P9 功课 1-PM2.5 预测

  • P10 概率分类模子

  • P11 logistic 回归

  • P12 功课 2-赢家照旧输家

  • P13 深度进修简介

  • P14 反向传达

  • P15 深度进修初试

  • P16 Keras2.0

  • P17 Keras 演示

  • P18 深度进修本领

  • P19 Keras 演示 2

  • P20 Tensorflow 完成 Fizz Buzz

  • P21 卷积神经收集

  • P22 为什么要「深度」进修?

  • P23 半监视进修

  • P24 无监视进修-线性降维

  • P25 无监视进修-词嵌入

  • P26 无监视进修-范畴嵌入

  • P27 无监视进修-深度自编码器

  • P28 无监视进修-深度生成模子 I

  • P29 无监视进修-深度生成模子 II

  • P30 迁移进修

  • P31 支撑向量机

  • P32 构造化进修-先容

  • P33 构造化进修-线性模子

  • P34 构造化进修-构造化支撑向量机

  • P35 构造化进修-序列标签

  • P36 轮回神经收集 I

  • P37 轮回神经收集 II

  • P38 集成进修

  • P39 深度深化进修浅析

  • P40 板滞进修的下一步

 4. 条记实质细节展现

4.a 对梯度下降看法的解析

条记中从头拾掇PPT实质,并添加了少许解释。

过错视频语音直叫—文字,而是依据实质拾掇成常识点,便当读者了解阅读。

4.b 为什么需求做特征缩放

对特征缩放的PPT举行拾掇记载。

 4.c 隐形马尔科夫链的运用

隐形马尔科夫链言语模子中的运用。

4.d 应用接近学生的例题标明常识点


用算法对精灵宝可梦(巧妙宝物)举行分类。

 5. 代码呈现

代码李宏毅教师供应代码的根底上举行了优化, python3 上通通调试通过。

5.a 回归剖析

5.b 深度进修

Keras 的根底模子构修代码。

用Keras构修深层模子

6. 功课展现

对条记课程的功课举行了讲解与解读,而且总结了少许需求当心的点,同样 python3 上调试通过。

题目描画。


条记中供应了课程功课的参考谜底。

 7. 交换互动

目次中每一节着末都修立了交换互动区供大师总结进修实质、提出本人的疑问和宽广进修者互动,可以运用 GitHub 登录,便当读者们交换。

  • 8.开源地址:https://github.com/datawhalechina/leeml-notes

  • 9. 配套视频:https://www.bilibili.com/video/av59538266

主要奉献职员

  • 认真人:王佳旭、金一鸣

  • 成员:黑桃、李威、 排骨、追风者、Summer、杨冰楠

初学板滞进修线课程李宏毅
17
相关数据
半监视进修技能

半监视进修属于无监视进修(没有任何标记的教练数据)和监视进修(完备标记的教练数据)之间。许众板滞进修研讨职员发明,将未标记数据与少量标记数据联合运用可以显着进步进修准确性。关于进修题目的标记数据的获取一般需求熟练的人类署理(比如转录音频片断)或物理实行(比如,确定卵白质的3D构造或确定特定位置处是否保管油)。于是与标签处理相关的资本可以使得完备标注的教练集不可行,而获取未标记的数据相对低廉。这种状况下,半监视进修可以具有很大的适用代价。半监视进修对板滞进修也是表面上的兴味,也是人类进修的模范。

集成进修技能

集成进修是唆运用众种兼容的进修算法/模子来施行单个义务的技能,目标是为了取得更佳的预测外现。集成进修的主要方法可归类为三大类: 堆叠(Stacking)、晋升(Boosting) 和 装袋(Bagging/bootstrapaggregating)。此中最风行的方法包罗随机森林、梯度晋升、AdaBoost、梯度晋升计划树(GBDT)和XGBoost。

词嵌入技能

词嵌入是自然言语处理(NLP)中言语模子与外征进修技能的统称。看法上而言,它是指把一个维数为所有词的数目标高维空间嵌入到一个维数低得众的延续向量空间中,每个单词或词组被映照为实数域上的向量。

支撑向量机技能

板滞进修中,支撑向量机是分类与回归剖析平剖析数据的监视式进修模子与相关的进修算法。给定一组教练实例,每个教练实例被标记为属于两个种别中的一个或另一个,SVM斗嗽翥法创立一个将新的实例分派给两个种别之一的模子,使其成为非概率二元线性分类器。SVM模子是将实破例示为空间中的点,如许映照就使得独自种另外实例被尽可以宽的分明的间隔分开。然后,将新的实例映照到同一空间,并基于它们落间隔的哪一侧来预测所属种别。

降维技能

降维算法是将 p+1 个系数的题目简化为 M+1 个系数的题目,此中 M<p。算法施行包罗盘算变量的 M 个差别线性组合或投射(projection)。然后这 M 个投射举措预测器通过最小二乘法拟合一个线性回归模子。两个主要的方法是主因素回归(principal component regression)和偏最小二乘法(partial least squares)。

回归剖析技能

回归剖析是一种用于估量变量之间的联系(当一个自变量改造而其它变量固准时,因变量会怎样改造)的统计进程,预测义务中有广泛的运用。回归剖析模子有差别的品种,此中最风行的是线性回归和 逻辑回归(Logistic Regression)。另外另有众变量回归、泊松回归、逐渐回归、脊回归(Ridge Regression)、套索回归(Lasso Regression)和众项式回归等等。随机梯度下降(SGD)便是一种根源于回归剖析的常用方法,可用于掌握繁杂度。

引荐作品
暂无评论
暂无评论~