1 جي فاز تجميع جديد

كل المقررات الدراسية الفيديو (الترجمة الإنجليزية):

جميع المواد الدراسية، PPT وهلم جرا:

وصف المساقات

محاضر وفريق مساعد

الكمبيوتر الرؤية في مجتمعنا أصبحت في كل مكان، مثل المستخدمة في البحث، فهم الصورة، والتطبيقات، والخرائط، والطبية، والطائرات بدون طيار، المركبات الذاتية، وهلم جرا. جوهر هو معظم التطبيقات المهام التعرف البصري، مثل تصنيف الصور، التعريب والكشف. الشبكة العصبية (المعروف أيضا باسم "التعلم العميق") أحدث طريقة التقدم بشكل كبير على تحسين أداء معظم نظام التعرف البصري المتقدم. وبطبيعة الحال سوف يأخذك نظرة عميقة في بنية التعلم، مع التركيز على المهام التعليمية، وخاصة في مهمة تصنيف الصور النهاية إلى النموذج.

في الدورة التي تستمر 10 أسبوع، وسوف يتعلم الطلاب على تنفيذ وتصحيح تدريبهم الشبكة العصبية، ومعرفة المزيد عن أحدث الأبحاث العلمية في رؤية الكمبيوتر. وهناك احالة النهائي يشمل التدريب الملايين من المعلمات الشبكة العصبية الإلتواء، وتطبيقه على الحد الأقصى صورة مجموعة بيانات تصنيف (ImageNet). وسوف نركز على كيفية إنشاء مشاكل التعرف على الصور، والخوارزميات (مثل خوارزمية العودة نشر) التعلم والمهارات الهندسية العملية تدريب وصقل للشبكة، وتوجيه الطلاب لممارسة مشروع ملعب الأخير. خلفية ومعرفة المواد الدراسية، ومعظمهم من ImageNet التحدي.

قبل متطلبات

• دراية بيثون، C / C ++ كبار على دراية بكل من التعيين الطبقة سوف تستخدم بايثون (باستخدام نمباي) (ونحن نقدم البرنامج التعليمي لأولئك الذين ليسوا على دراية بيثون)، ولكن بعض دراسة متعمقة للمكتبة يمكننا أن ننظر إلى الوراء هو مكتوب في الطبقة C ++. إذا كان لديك الكثير من الخبرة البرمجة، ولكن مع لغة مختلفة (مثل C / C ++ / ماتلاب / جافا سكريبت)، قد يكون على ما يرام.

• جامعة حساب التفاضل والتكامل والجبر الخطي (على سبيل المثال MATH 19 أو 41، MATH 51) يجب أن تكون على استعداد لاستخدام وفهم المشتقات الرموز وعمليات مصفوفة النواقل.

• احتمال الأساسي والإحصاءات (مثل CS 109 أو برامج إحصائية أخرى) يجب أن نعرف أساسيات الاحتمالات، توزيع جاوس، متوسط والانحراف المعياري وهلم جرا.

• CS229 (آلة التعلم) المعرفة يعادل سوف نقوم بتطوير وظيفة التكلفة، ويتم استخدام المشتقات المالية والتدرج الأمثل النسب.

ملاحظات بالطبع:

بالطبع ملاحظات:

وحدة 0: إعداد المحتوى

بيثون / نمباي دروس

IPython محمول تعليمي

جوجل الغيمة دروس

سحابة جوجل مع GPU دروس

AWS دروس

الوحدة 1: الشبكات العصبية

• صورة التصنيف: نهج قائم على المعلومات، ك أقرب الجيران، قطار انشقاقات / فال / اختبار

  L1 / L2 من غلاة البحث حدودي، عبر التحقق من صحة

• المصنفات الخطية: SVM، Softmax

  نهج حدودي، وتقنيات التحيز، وفقدان المفصلي، وفقدان عبر الكون، L2 تنظيم، وعرض على شبكة الإنترنت

• الأمثل: ستوكاستيك التدرج النسب

  البحث المحلي، ومعدل التعلم، تحليل / التدرج العددي

• العودة نشر، والحدس

  سلسلة حكم مترجم، والدوائر قيمتها الحقيقية، أنماط تدفق التدرج في

• الشبكات العصبية - الجزء 1: بناء العمارة

  نموذج الخلايا العصبية البيولوجية، وظائف التنشيط، هندسة الشبكات العصبية

• الشبكات العصبية - الجزء 2: فقدان البيانات الإعداد و

  تهيئة الأوزان المعالجة المسبقة، وكميات طبيعية، تنظيم (L2 / التسرب)، وفقدان وظيفة

• الشبكات العصبية الجزء 3: التعلم والتقييم

  الاختيار الانحدار، والتحقق من اكتمالها، والزخم (+ نيستيروف)، والثانية طريقة النظام، Adagrad / RMSprop سوبر المعلمة الأمثل، مجموعة نموذجية

• وضع كل ذلك معا: دراسة حالة الشبكات العصبية

  لعب الحد الأدنى بيانات نموذجية 2D

الوحدة 2: الشبكة العصبية التلافيف

• التفاف الشبكات العصبية: الهندسة المعمارية، والالتواء / طبقة بركة

  طبقة، والترتيب المكاني، طبقة نمط، ووضع حجم طبقة، AlexNet / ZFNet / VGGNet دراسات الحالة، ويعتبر حساب

• فهم وتصور الشبكة العصبية التلافيف

  tSNE جزءا لا يتجزأ، deconvnets والبيانات الانحدار، ConvNets خداع، مقارنات الإنسان

• التعلم نقل وصقل التفاف الشبكة العصبية

مقدمة

محاضرة 1: التفاف الشبكة العصبية للاعتراف البصرية من الدورات مقدمة

محاضرة 1 يدخل مجال الرؤية الحاسوبية، وبحثنا في تاريخها والتحديات الرئيسية. ونؤكد، الرؤية الحاسوبية وتشمل مجموعة واسعة من المهام المختلفة، على الرغم من أسلوب التعلم العميق مؤخرا كان لها بعض النجاح، ولكن ما زلنا فشلت حتى لتحقيق مستوى الذكاء البصري للهدف الإنسان.

كلمات البحث: رؤية الكمبيوتر، والانفجار الكمبري، وكاميرا مظلمة، Hubel ويزل، لبنات بناء في العالم، قطع التوحيد، وكشف الوجه، والتدقيق، المكاني مطابقة الهرم، التدرج التوجه الرسم البياني، وجوه البصرية باسكال التحدي، تحدي ImageNet

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture1.pdf

محاضرة 2: تصنيف الصور

رسميا محاضرة 2 تصنيف الصور. ناقشنا الصعوبات التي تواجه تصنيف الصورة نفسها، و (مدفوعة البيانات) يدخل تعتمد على البيانات النهج. ناقشنا اثنين بسيطة صورة خوارزمية تصنيف تعتمد على البيانات: K- أقرب الجيران (K-أقرب الجيران) وتصنيف الخطي (المصنفات الخطي) الأسلوب، ويدخل مفهوم المعلمات المفرط وعبر التحقق من الصحة.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture2.pdf

محاضرة 3: فقدان الوظيفة والتحسين

محاضرة 3 تواصل مناقشة المصنف الخطي. قدمنا مفهوم فقدان وظيفة، ومناقشة اثنين من وظيفة خسارة مشتركة لتصنيف الصور: فقدان multiclass SVM (multiclass خسارة SVM) وفقدان عدد من الانحدار اللوجستي (متعددة الحدود اللوجستية فقدان الانحدار). قدمنا أيضا تنظيم (تنظيم)، كآلية للتعامل مع أكثر من المناسب، والوزن تخفيف الوزن (الوزن تسوس) كمثال ملموس. نحن أيضا عرض مفهوم والتدرج العشوائية أصل الأمثل (الأمثل) من (العشوائية التدرج النسب) الخوارزمية. نحن أيضا مناقشة لفترة وجيزة الكمبيوتر البصرية تمثيل ميزة (التمثيل الميزة) يستخدم.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture3.pdf

محاضرة 4: مقدمة الشبكة العصبية

في محاضرة 4، لدينا لإحراز تقدم من المصنف الخطي متصلة بشكل كامل الشبكة العصبية (متصلة بالكامل الشبكة العصبية). يصف هذا القسم حساب التدرج من العكسي الخوارزمية (خوارزمية العكسي)، ومناقشة وجيزة للعلاقة بين الشبكات العصبية البيولوجية والشبكات العصبية الاصطناعية.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture4.pdf

محاضرة 5: التفاف الشبكة العصبية

في محاضرة 5، ننتقل من الشبكة العصبية التفاف مرتبطة ارتباطا كاملا الشبكة العصبية. وسوف نناقش بعض من المعالم الرئيسية للتنمية التاريخية شبكة الالتواء، بما في ذلك التصور، جديد آلة المعرفية (نيوكونييترون)، LeNet وAlexNet. وسوف نقدم التفاف (التفاف)، المجمعة (تجميع) وطبقة الربط الكامل (مرتبطة ارتباطا كاملا)، والذي يشكل أساس التفاف الحديث للشبكة.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture5.pdf

محاضرة 6: تدريب الشبكة العصبية 1

في محاضرة 6، ناقشنا عددا من المشاكل العملية التدريب الحديث الشبكة العصبية في. ناقشنا ظائف تفعيل مختلفة، وتجهيزها والبيانات، الوزن التهيئة دفعة وتطبيع أهمية؛ لقد قدم أيضا عددا من الاستراتيجيات لمراقبة عملية التعلم واختيار المعلمات جدا.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture6.pdf

محاضرة 7: تدريب الشبكة العصبية 2

محاضرة 7 مواصلة مناقشة المشاكل العملية لتدريب الشبكة العصبية. نناقش استراتيجيات التحسين المختلفة خلال تدريب قواعد العصبية تحديث الشبكة وتنظيم الشبكات العصبية على نطاق واسع (بما في ذلك التسرب). ناقشنا أيضا نقل التعلم (نقل learnin) وصقل.

كلمات البحث: الأمثل، والزخم، الزخم نيستيروف، AdaGrad، RMSProp، آدم، الدرجة الثانية الأمثل، L-BFGS، وجمع وتنظيم، التسرب، والتوسع البيانات والدراسة والهجرة، وصقل

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture7.pdf

محاضرة 8: برنامج التعلم العميق

محاضرة 8 يناقش كيفية استخدام حزم البرمجيات المختلفة لفي عمق التعلم، مع التركيز على TensorFlow وPyTorch. ناقشنا أيضا بعض الاختلافات بين وحدة المعالجة المركزية والجرافيك.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture8.pdf

محاضرة 9: CNN العمارة

محاضرة 9 يناقش بعض الالتواء المشترك هندسة الشبكات العصبية. ناقشنا الأداء الجيد لبعض الهندسة المعمارية ImageNet التحدي، بما في ذلك AlexNet، VGGNet، GoogLeNet وResNet، وكذلك بعض نماذج أخرى مثيرة للاهتمام.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture9.pdf

محاضرة 10: الشبكات العصبية المتكررة

محاضرة 10 يناقش كيفية استخدام البيانات تسلسل نمذجة دورة الشبكة العصبية. وتبين لنا كيف أن دورة الشبكات العصبية لنمذجة اللغة والصورة تعليق عليها، وكيف لينة المكاني نموذج الاهتمام في تعليق على الصورة. نناقش بنى الشبكة العصبية المختلفة دورة، بما في ذلك الذاكرة قصيرة وطويلة الأجل (LSTM) وحدة دورة الباب (GRU).

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture10.pdf

محاضرة 11: كشف والإنقسام

في محاضرة 11، نذهب أبعد من تصنيف الصور، يظهر مدى تطبيق شبكة التفاف على المهام رؤية الكمبيوتر الأخرى. نقدم لك مجموعة من كامل شبكة أخذ العينات الإلتواء لديها الطبقات السفلى والعليا ويمكن أخذ عينات لكيفية الدلالي تجزئة، وكيف يتناول فقدان لتحديد المواقع وتقدير قفة. نناقش بعض أسلوب كائن كشف، تضم طريقة R-سي ان ان واحد بالرصاص سلسلة من طريقة القائمة في المنطقة، على سبيل المثال، SSD وYOLO. وأخيرا، وتبين لنا كيفية تقسيم الدلالات والكشف عن وجوه من فكرة الجمع بين تقسيم مثيل (مثيل تجزئة).

كلمات البحث: تجزئة الدلالي، وشبكات التفاف كاملة، unpooling، تبديل التفاف (تبديل الإلتواء)، التعريب، والخسائر تعدد المهام تشكل تقدير، الكشف عن وجوه، نافذة انزلاق والمقترحات المنطقة، R-CNN، سريعة R-CNN، أسرع R-CNN ، YOLO، SSD، DenseCap، وتجزئة سبيل المثال، قناع R-CNN

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf

محاضرة 12: تصور وفهم

محاضرة 12 تصور مناقشتها وفهم الآليات الداخلية طريقة شبكة التلافيف. ناقشنا أيضا كيفية استخدام شبكة الإلتواء لتوليد صور جديدة، بما في ذلك DeepDream والأساليب الفنية الهجرة.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture12.pdf

محاضرة 13: توليد نموذج

في محاضرة 13، نذهب أبعد من التعلم تحت إشراف، والنموذج الناتج كشكل من أشكال التعلم غير خاضعة للرقابة وتناقش. نحن نغطي نموذج الانحدار الذاتي من PixelRNN وPixelCNN والتقاليد والاختلاف من التشفير (VAE) وتوليد المواجهة شبكة (GAN).

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture13.pdf

محاضرة 14: عمق التعزيز التعلم

في محاضرة 14، لجأنا إلى تعزيز التعلم (RL) من التعلم تحت إشراف. تعزيز التعلم، يجب على وكيل تعلم للتفاعل مع البيئة، من أجل تحقيق أقصى قدر من مكافأة. استخدمنا قرار ماركوف العمليات (MDPs)، السياسة اللغوية، وقيمة وظيفة وظيفة Q لتعزيز التعليم الرسمي. نناقش التعلم تعزيز الخوارزميات المختلفة، بما في ذلك Q-التعلم، واستراتيجيات التدرج وممثل الناقد. نعرض يستخدم تعزيز التعلم للعب مباريات أتاري، AlphaGo من البشر واللاعبين المحترفين الآخرين في اللعبة العودة.

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture14.pdf

محاضرة 15: طريقة فعالة لتعلم عمق والأجهزة

في محاضرة 15، ناقش الضيف المحاضر كلمات هان الخوارزميات ومعدات مخصصة يمكن استخدامها لتسريع دراسة متعمقة التدريب عبء العمل والتفكير. ناقشنا تشذيب، وتبادل الوزن، وتقنيات تكميم، وغيرها من التقنيات لتسريع عملية التفكير، التي تضم الموازاة، ومزج دقة (دقة مختلطة)، وما شابه ذلك. ناقشنا عمق التعلم عن الأجهزة المتخصصة، مثل GPU، FPGA وأسيك، بما في ذلك أحدث التنسور الأساسية فولتا GPU NVIDIA، وكذلك TPU جوجل (وحدات معالجة التنسور).

كلمات البحث: الأجهزة، وحدة المعالجة المركزية، GPU، ASIC، FPGA، الاجاص المجفف، وتبادل الأوزان، تكميم، شبكة المطلقين، شبكة ثلاثية، والتحول فينوغراد، EIE، بيانات موازية، فإن النموذج الموازي، دقة المزج، FP16، FP32، نموذج التقطير، الكثيفة، متناثر التدريب -Dense، NVIDIA فولتا، التنسور الأساسية، وجوجل TPU، وجوجل الغيمة TPU

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture15.pdf

محاضرة 16: المواجهة والقتال عينات التدريب

محاضرة 16 قدم ضيف محاضر إيان غودفلوو، ناقش عينة المواجهة (أمثلة الخصومة) التعلم العمق. تناقش هذه المحاضرة لماذا عمق الشبكة وغيرها من نماذج التعلم آلة عرضة ضد العينة، وكيفية استخدام نموذج لمهاجمة ضد النظام تعلم الآلة. ناقشنا لتحسين نظام التعلم الآلي للدفاع ضد عينة المحتملة، والعينة ضد حتى في حالة عدم وجود الخصم واضح للوضع، وكيفية استخدامها.

كلمات البحث: ضد العينة، صور خداع، الانحدار بسرعة طريقة علامة (FGSM)، ذكي هانز، والكفاح ضد العينة الدفاع، والعالم المادي، التدريب على القتال، التدريب على القتال الظاهري، وتحسين القائم على نموذج

PPT: cs231n.stanford.edu/slides/2017/cs231n_2017_lecture16.pdf

انقر هنا لقراءة المقال الأصلي لمعرفة التفاصيل، ونأمل أن تتمكن من الانضمام ~