Ben je geïntroduceerd in deep learning en kunstmatige intelligentie en wil je meer leren? Wil je meer weten over Python? Dan hebt u de geavanceerde gids voor diep leren en kunstmatige intelligentie nodig. Deze bundel omvat diepgaand leren in neurale netwerken, autoencoders, spraakherkenning en natuurlijke taalverwerking.

De volgende vier cursussen zijn opgenomen in deze bundel.

Deep Learning: Convolutional Neural Networks in Python - Bekijk de concepten achter de computervisie en breid uit wat je weet over neurale netwerken en deep learning.

  • Vijfentwintig lezingen en drie uur inhoud
  • Gebruik convolutionele neurale netwerken (CNN's) om de StreetView House Number (SVHN) -gegevensset te verkennen
  • Maak convolutionele filters die kunnen worden toegepast op audio of imaging
  • Groei diepe neurale netwerken met slechts een paar functies
  • Test CNN's die zijn geschreven in zowel Theano als TensorFlow

Ongecontroleerd diepgaand leren in Python - Leer meer over de kracht van autoencoders en beperkte Boltzmann-machines en bespreek de analyse van hoofdcomponenten en een populaire niet-lineaire techniek voor reductie van dimensies en leer vervolgens over autoencoders.

  • Dertig colleges en drie uur inhoud
  • Ontdek beperkte Boltzmann-machines (RBM's) en trainingen voor gecontroleerde diepe neurale netwerken
  • Meer informatie over Gibbs-steekproeven
  • Gebruik PCA en t-SNE op functies die zijn geleerd door autoencoders en RBM's
  • Leer moderne diepgaande ontwikkelingen

Deep Learning: terugkerende neurale netwerken in Python - Leer meer over futuristische wetenschappen zoals de kunstmatige wetenschap achter spraakherkenning.

  • Tweeëndertig lezingen en vier uur aan inhoud
  • Ontdek de Simple Recurrent Unit, ook wel de Elman-eenheid genoemd
  • Verleng het XOR-probleem als een pariteitsprobleem
  • Leer taalmodellering
  • Word bedreven in Word2Vec om woordvectoren of woordinbeddingen te maken
  • Bestudeer de lange korte-termijngeheugeneenheid (LSTM) en gated recurrent unit (GRU)
  • Gebruik wat u leert over praktische problemen, zoals het leren van een taalmodel uit Wikipedia-gegevens

Natuurlijke taalverwerking met diep leren in Python - Ontdek geavanceerde natuurlijke taalverwerking en leer meer over het afleiden en implementeren van Word2Vec, GloVe, woordinbeddings en sentimentanalyse.

  • Veertig lezingen en vier-en-een-half uur aan inhoud
  • Verken Word2Vec en leer hoe het woorden toewijst aan een vectorruimte
  • Meer informatie over GLoVe's gebruik van matrixfactoren en hoe dit bijdraagt ​​aan aanbevelingssystemen
  • Ontdek recursieve neurale netwerken om het probleem van negatie in sentimentanalyse op te lossen

Krijg deze deep learning-bundel voor slechts $ 42 met 91% korting.

De geavanceerde gids voor diep leren en kunstmatige intelligentie