Yapay Sinir Ağlarını Nasıl Öğrenebilirim?

Şu anda sinir ağlarını kullanarak araştırma yapan bir birinci sınıf lisans öğrencisiyim (bundan söz ederek tanımadığımı affedebilirsiniz). Profesörün rehberliğinde üç düğümlü bir sinir ağını (işe yarayan) kodladım. Ancak yapay zeka ve veri biliminde bir kariyer yapmak istiyorum ve kendime bunlarla ilgili daha ayrıntılı bilgi vermek istiyorum. Sinir ağı yapıları, derin öğrenme vb. Hakkında bana daha fazla bilgi verecek kitaplar veya kaynaklar var mı?

Not: Java, Python, Bash, JavaScript, Matlab konusunda uzmanım ve biraz C ++ biliyorum.

Bilgisayar Bilimi Yüksek Lisansım var ve tezim Sinir Ağları kullanarak zaman serisi tahmini ile ilgiliydi.

Scikit ve Tensorflow ile makine öğrenimi üzerine uygulamalı kitap pratik açıdan son derece yardımcı oldu. Teori ve matematik olmadan işleri çok net bir şekilde ortaya koyuyor. Şiddetle tavsiye ederim.

Öte yandan, Ian Goodfellow'un kitabı da bir zorunluluktur (DL incili bir tür). Orada teorik açıklamaları bulacaksınız, ayrıca derin öğrenme ve şimdiye kadar alanın mütevazi başlangıcı konusunda sizi çok daha bilgili bırakacaktır.

Bir diğeri, başkalarının önerdiği gibi, elbette, Chollet tarafından Python ile Derin Öğrenme . Bu kitabı okudum. Gerçekten de çok iyi yazılmıştı ve yine, çevrimiçi öğreticilerden ve derslerden neredeyse hiç kavramadığınız hileleri ve kavramları öğretiyor.

Ayrıca, Matlab'a aşina olduğunuzu görüyorum, bu yüzden belki bazı istatistik / olasılık sınıfları aldınız, aksi takdirde tüm bunlar sizi biraz etkileyecektir.

Derin öğrenme için iyi ve sağlam bir başlangıç ​​istiyorsanız, Ian Goodfellow ve ark. Bundan sonra, çevrimiçi olarak mevcut birçok farklı öğretici, makale ve ders ile harcayabileceğiniz iyi bir temeliniz olacak.

Bununla birlikte, bunu yapmadan önce bazı temel "makine öğrenimi" dersini almanız gerektiğini de ekleyeceğim (Üniversitenizde mevcut olmalıdır). Bugünlerde birçok insan doğrudan sinirsel ağları derinlemesine öğrenmeye ve uygulamaya koyuyor, çünkü nispeten kolay, ancak onu geliştirmek veya tam potansiyeline kullanmak için anlayıştan yoksun.

Diğer önerildiği gibi çok iyi kaynaklar. Eğer derinlemesine Bilgi istiyorsanız, Andrew Ng'den ders rotası öneriyorum. Bu ML temellerini derinlemesine bilgi kapsar ve size AI, ML ile başlayan ya da derin Sen benim profile.I içinde blog bağlantı geçenlerde yayınlanan takip edebilecek öğrenme konusunda karıştırılıyor bu teknolojiler ile gitmek nasıl .

Not: Burada blogumun reklamını yapmıyorum. Ben sadece yardım ediyorum. Eğer takip etmek istiyorsanız takip edebilirsiniz aksi takdirde Andrew Ng ile gidin

Temel bilgileri tekrar ziyaret etmek istiyorsanız Google'ın ML'deki Crash Course ile başlamasını öneririm . Daha sonra hızlı bir şekilde takip etmenizi öneririm. Ai'nin ML ve DL dersleri . Okumak için Alex Smola ve SVN Vishwanathan'ın Makine Öğrenmesine Giriş'i öneriyorum . İyi günler!

Bu harika kitabı okumanızı önemle tavsiye ederim: Scikit ve Tensorflow ile makine öğrenimi. Sinir ağları 9 ve 10. bölümlerde kısa ve öz bir şekilde sunulmaktadır. Çalışmanız için birçok örnek vardır. Örneklerin senaryosunu etkili bir şekilde anlamak için Python programlamasının arka planına sahip olmalısınız. İyi günler!

François Chollet tarafından Python ile Derin Öğrenme, Keras'ın yazarı tarafından derin öğrenmeye harika, üst düzey bir giriş niteliğindedir.

Yukarıdaki referanslara eklemek için (konunun derinliklerine gitmek istiyorsanız Goodfellow ve arkadaşlarının derin öğrenme kitabı bir zorunluluktur), mükemmel bir uygulamalı kitap, en son teknolojiye sahip bir yaklaşım (bilgisayar vizyonu) veren derin öğrenmeye daldırılır. , NLP) kullanarak gluon API (mxnet çerçevesi, ayrıca bkz . Düz uyuşturucu ). Ayrıca, Pytorch yazılımı ( öğreticiler ) kaynakları tavsiye ederim .

Kendi kendine öğrenme için birçok iyi web sitesi vardır. Aşağıda 2 örnek verilmiştir:

https://machinelearningmastery.com/start-here/#deeplearning

https://www.analyticsvidhya.com/blog/2018/10/introduction-neural-networks-deep-learning/

Bunlar özellikle pratik yönler için yararlıdır, belki teorik arka plan için daha azdır.