количество зарере یابد rese.
به این دوره در مورد یادگیری عمیق احتمالی با TensorFlow خوش آمدید!این دوره بر روی مفاهیم و مهارتهای بنیادی برای Tensorflow که در دو دوره اول در این تخصص تدریس می شود ، بنا شده و بر رویکرد احتمالی یادگیری عمیق متمرکز است. این یک منطقه به طور فزاینده ای از یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم اطمینان است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه مهم هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودمختار یا تشخیص پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی نمی داند. شما یاد می گیرید که چگونه مدل های احتمالی را با Tensorflow توسعه دهید ، و از کتابخانه احتمال Tensorflow استفاده می کنید ، که به گونه ای طراحی شده است که می توان مدل های احتمالی را با یادگیری عمیق ترکیب کرد. به همین ترتیب ، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه احتمال Tensorflow مشاهده شود. شما می آموزید که چگونه توزیع احتمال می تواند در مدل های یادگیری عمیق در Tensorflow ، از جمله شبکه های عصبی بیزی ، عادی سازی جریان ها و خودروهای متغیر ، در مدل های یادگیری عمیق قرار گیرد. شما یاد می گیرید که چگونه مدل هایی را برای کمیت عدم اطمینان و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی شبیه به نمونه های داده مانند تصاویر چهره های مشهور ایجاد کنند. شما مفاهیمی را که بلافاصله در آنها یاد می گیرید ، در آموزش های کد نویسی عملی و دستی ، که توسط یک دستیار تدریس فارغ التحصیل هدایت می شوید ، قرار می دهید. علاوه بر این یک سری تکالیف برنامه نویسی به طور خودکار درجه بندی شده برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره ، بسیاری از مفاهیم را در یک پروژه سنگفرش جمع خواهید کرد ، جایی که شما یک الگوریتم Autoencoder متنوع را تهیه خواهید کرد تا یک مدل تولیدی از یک مجموعه داده تصویر مصنوعی تولید کنید که خودتان ایجاد کنید. این دوره از دو دوره قبلی در زمینه تخصص ، شروع به کار با Tensorflow 2 و سفارشی کردن مدل های خود با Tensorflow 2 می شود. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره ، یک پایه محکم در احتمال و آمار است. به طور خاص ، فرض بر این است که شما با توزیع احتمال استاندارد ، توابع چگالی احتمال و مفاهیمی مانند تخمین حداکثر احتمال ، تغییر فرمول متغیرها برای متغیرهای تصادفی و شواهد پایین تر (ELBO) مورد استفاده در استنتاج متغیر آشنا هستید.
по* чае تز
شبکه عصبی احتمالی ، یادگیری عمیق ، مدل تولیدی ، Tensorflow ، زبان برنامه نویسی احتمالی (PRPL)
рецензии
یک تجربه یادگیری واقعاً ارزشمند. با این دوره ها ، اکنون احساس اطمینان می کنم که می توانم مهارت ها را از تخصص یادگیری عمیق در یک محیط عملی استفاده کنم.
خیلی خوب. این دوره را خیلی دوست داشتم ، حتی اگر می دانم قبل از گذراندن باید زمینه بهتری داشته باشم.
Autoencoders متنوع یکی از محبوب ترین انواع مدل های یادگیری عمیق مبتنی بر احتمال است. در الگوریتم VAE دو شبکه به طور مشترک آموخته می شوند: یک رمزگذار یا شبکه استنتاج و همچنین یک رمزگذار یا شبکه تولیدی. در این هفته شما یاد می گیرید که چگونه VAE را با استفاده از کتابخانه احتمال TensorFlow پیاده سازی کنید. سپس از شبکه های آموزش دیده برای رمزگذاری نمونه های داده در یک فضای نهفته فشرده و همچنین تولید نمونه های جدید از توزیع قبلی و رمزگشایی استفاده خواهید کرد. در تکالیف برنامه نویسی برای این هفته ، شما AutoEncoder متغیر را برای یک مجموعه داده تصویر از چهره های مشهور توسعه می دهید.
преподаватели
دکتر کوین وبستر
همکار ارشد تدریس در آمار
autoencoders متغیر یکی از محبوب ترین انواع مدل های یادگیری عمیق مبتنی بر احتمال است. در الگوریتم VAE دو شبکه به طور مشترک آموخته می شوند: یک رمزگذار یا شبکه استنتاج و همچنین یک رمزگذار یا شبکه تولیدی. در این هفته شما یاد می گیرید که چگونه VAE را با استفاده از کتابخانه احتمال TensorFlow پیاده سازی کنید. سپس از شبکه های آموزش دیده برای رمزگذاری نمونه های داده در یک فضای نهفته فشرده و همچنین تولید نمونه های جدید از توزیع قبلی و رمزگشایی استفاده خواهید کرد. در تکالیف برنامه نویسی برای این هفته ، شما AutoEncoder متغیر را برای یک مجموعه داده تصویر از چهره های مشهور توسعه می دهید.
преподаватели