Kursus Python: Unsupervised Deep Learning Python

Autoencoder, Mesin Boltzmann Terbatas, Deep Neural Networks, t-SNE dan PCA

Yang akan Anda pelajari

• Memahami teori di balik analisis komponen utama (PCA)

• Ketahui mengapa PCA berguna untuk pengurangan dimensi, visualisasi, dekorelasi, dan denoising

• Turunkan algoritme PCA secara manual

• Tulis kode untuk PCA

• Pahami teori di balik t-SNE

• Gunakan t-SNE dalam kode

• Pahami keterbatasan PCA dan t-SNE

• Pahami teori di balik autoencoder

• Tulis autoencoder di Theano dan Tensorflow

• Pahami bagaimana stacked autoencoder digunakan dalam deep learning

• Tulis autoencoder denoising bertumpuk di Theano dan Tensorflow

• Memahami teori di balik mesin Boltzmann (RBM) terbatas

• Pahami mengapa RBM sulit untuk dilatih

• Pahami algoritme divergensi kontras untuk melatih RBM

• Tulis RBM Anda sendiri dan jaringan kepercayaan mendalam (DBN) di Theano dan Tensorflow

• Visualisasikan dan interpretasikan fitur yang dipelajari oleh autoencoder dan RBM

Persyaratan

• Pengetahuan tentang kalkulus dan aljabar linier

• Keterampilan pengkodean python

• Beberapa pengalaman dengan Numpy, Theano, dan Tensorflow

• Ketahui cara penurunan gradien digunakan untuk melatih model pembelajaran mesin

• Instal Python, Numpy, dan Theano

• Beberapa pengetahuan probabilitas dan statistik

• Kode jaringan saraf feedforward di Theano atau Tensorflow

Deskripsi

Kursus ini adalah langkah logis berikutnya dalam seri  pembelajaran mendalam, ilmu data,  dan  pembelajaran mesin

Dalam kursus ini kita akan mulai dengan beberapa hal yang sangat mendasar –  analisis komponen utama (PCA)  , dan teknik reduksi dimensi nonlinier populer yang dikenal sebagai   .