Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Lezione 2: Deep Learning pratico per programmatori 2022
Lezione 2: Deep Learning pratico per programmatori 2022
Questa serie di video di YouTube fornisce un'introduzione al deep learning per i programmatori. Copre argomenti come la preparazione dei dati, la creazione di modelli e la distribuzione di un modello di machine learning.
In questo video, l'hacker Jeremy Howard insegna alle persone come creare le proprie app Web utilizzando il deep learning. Spiega come impostare un progetto in Git, come utilizzare lo spazio del viso che abbraccia per caricare un modello su cui allenarsi, l'elaborazione del linguaggio naturale e come riconoscere il testo.
Lezione 3: Deep Learning pratico per programmatori 2022
Lezione 3: Deep Learning pratico per programmatori 2022
Questo video fornisce un'introduzione al deep learning pratico per i programmatori. Copre le basi della moltiplicazione di matrici e dei gradienti e dimostra come utilizzare un modello di deep learning per prevedere la probabilità di razze di cani e gatti. Questo video fornisce una breve introduzione al deep learning per i programmatori, inclusa una discussione su come la moltiplicazione di matrici può richiedere molto tempo per ottenere un'idea intuitiva. La prossima lezione si concentrerà sull'elaborazione del linguaggio naturale, che consiste nel prendere dati di testo e fare previsioni basate sulla sua prosa.
Lezione 4: Deep Learning pratico per programmatori 2022
Lezione 4: Deep Learning pratico per programmatori 2022
Questo video spiega come costruire un modello di deep learning per il concorso Coders 2022. L'autore illustra come creare un set di convalida, come utilizzare i dati della concorrenza per testare le prestazioni del modello e come evitare l'overfitting nelle impostazioni del mondo reale. In questo video, Jeremy spiega come utilizzare il coefficiente di correlazione di Pearson per misurare la relazione tra due variabili e come utilizzare Pytorch per addestrare un modello che si comporta come uno studente fast.ai. Discute anche un problema con le previsioni generate dalle tecniche di PNL e come può essere risolto utilizzando una funzione sigmoidea.
Lezione 5: Deep Learning pratico per programmatori 2022
Lezione 5: Deep Learning pratico per programmatori 2022
Questo video fornisce un'esercitazione su come creare e addestrare un modello lineare utilizzando il deep learning. Il video inizia discutendo le operazioni sul posto, che modificano i valori delle variabili all'interno di una data funzione. Successivamente, il video mostra come calcolare la perdita per un modello lineare utilizzando la discesa del gradiente all'indietro. Infine, il video fornisce una funzione che inizializza e aggiorna i coefficienti all'interno di un modello lineare. Il video si conclude dimostrando come eseguire la funzione e stampare la perdita. Questo video spiega come calcolare la migliore suddivisione binaria per una determinata colonna in un set di dati. Ciò è particolarmente utile per le competizioni di machine learning, in quanto fornisce un modello di base per il confronto.
Lezione 6: Deep Learning pratico per programmatori 2022
Lezione 6: Deep Learning pratico per programmatori 2022
Questo video di YouTube fornisce una guida su come iniziare con il deep learning per i programmatori. L'obiettivo principale è il deep learning pratico per i programmatori, con suggerimenti su come organizzare una competizione, ottenere un set di convalida e iterare rapidamente. Il video illustra anche l'importanza dell'importanza delle funzionalità e dei grafici di dipendenza parziale e come crearli utilizzando un modello di machine learning.
Questo video offre una panoramica su come utilizzare il deep learning per migliorare l'accuratezza dei progetti di codifica. Spiega che i set di dati possono spesso avere un'ampia varietà di dimensioni di input e proporzioni, il che rende difficile creare rappresentazioni accurate con rettangoli. Suggerisce invece di utilizzare rappresentazioni quadrate, che si sono dimostrate efficaci nella maggior parte dei casi.
Lezione 7: Deep Learning pratico per programmatori 2022
Lezione 7: Deep Learning pratico per programmatori 2022
Nella lezione 7 di Practical Deep Learning for Coders 2022, Jeremy spiega come aumentare la scalabilità dei modelli di deep learning riducendo la memoria necessaria per modelli più grandi. Dimostra un trucco chiamato accumulo di gradiente, che prevede di non aggiornare i pesi a ogni ciclo di ogni mini-batch, ma di farlo invece ogni poche volte, consentendo l'utilizzo di batch di dimensioni maggiori senza la necessità di GPU più grandi. Inoltre, Jeremy discute la convalida incrociata k-fold e la creazione di un modello di apprendimento profondo che prevede sia il tipo di riso che la malattia presente nell'immagine utilizzando una diversa funzione di perdita chiamata perdita di entropia incrociata. Nel complesso, il video fornisce suggerimenti e trucchi pratici per la creazione di modelli di deep learning più complessi.
In questo video, il relatore esplora la creazione di sistemi di raccomandazione utilizzando filtri collaborativi e dot product in PyTorch. Descrive la previsione della moltiplicazione di matrici delle valutazioni dei film e calcola la funzione di perdita, una misura di quanto le valutazioni previste corrispondano alle valutazioni effettive. Introduce il concetto di incorporamento, che consente di velocizzare i moltiplicatori di matrici con variabili fittizie. Il relatore spiega quindi come aggiungere bias e regolarizzazione alla matrice per differenziare le valutazioni degli utenti e prevenire l'overfitting. Infine, viene discusso l'argomento della ricerca iperparametrica, sottolineando la necessità di dati granulari per raccomandazioni accurate. Nel complesso, il video scompone complessi concetti di deep learning per creare una comprensione pratica per gli spettatori.
Lezione 8 - Deep Learning pratico per programmatori 2022
Lezione 8 - Deep Learning pratico per programmatori 2022
Questo video tratta le basi del deep learning per i programmatori. Spiega come creare parametri per modelli di deep learning utilizzando la libreria Pytorch, come utilizzare PCA per ridurre il numero di fattori in un set di dati e come utilizzare una rete neurale per prevedere il prezzo di vendita all'asta di attrezzature pesanti industriali.
Questo video di YouTube offre una panoramica del deep learning per i programmatori. L'oratore spiega che la tenacia è importante in questo campo e consiglia che se vuoi avere successo, dovresti andare avanti finché qualcosa non è finito. Raccomanda inoltre di aiutare altri principianti su forums.fast.ai.
Lezione 9: Fondamenti del deep learning per una diffusione stabile, 2022
Lezione 9: Fondamenti del deep learning per una diffusione stabile, 2022
Questo video fornisce un'introduzione al deep learning, discutendo come funzionano i modelli di diffusione stabile e come possono essere applicati per generare nuove immagini. Il video include una dimostrazione di come utilizzare la libreria Diffusers per creare immagini che sembrano cifre scritte a mano. Introduce anche il concetto di diffusione stabile, che è un metodo per addestrare le reti neurali. L'idea di base è modificare gli input di una rete neurale per modificare l'output. In questo video, l'istruttore spiega come creare una rete neurale in grado di identificare correttamente le cifre scritte a mano da input rumorosi. Questo video illustra come addestrare un modello di machine learning utilizzando un algoritmo di deep learning. Il modello viene inizializzato con un insieme di variabili latenti (che rappresentano i dati) e utilizza un decodificatore per comprendere i dati grezzi. Successivamente, viene utilizzato un codificatore di testo per creare didascalie leggibili dalla macchina per i dati. Infine, una U-Net viene addestrata utilizzando le didascalie come input e i gradienti (la "funzione punteggio") vengono utilizzati per regolare i livelli di rumore nei dati di addestramento.
Sfide nell'apprendimento profondo (Dr Razvan Pascanu - DeepMind)
Sfide nell'apprendimento profondo (Dr Razvan Pascanu - DeepMind)
Il Dr. Razvan Pascanu di DeepMind discute diverse sfide nel deep learning in questo video. Sottolinea l'importanza dell'adattabilità e dello spostamento dell'attenzione dalle metriche delle prestazioni e suggerisce che i limiti delle risorse computazionali nei sistemi di deep learning possono effettivamente essere utili. Inoltre, esplora le sfide dell'apprendimento continuo e il sottocampo dell'apprendimento automatico ad esso correlato, compreso l'impatto delle dimensioni e dell'architettura sulle prestazioni dei modelli di apprendimento profondo. Il Dott. Pascanu discute anche il ruolo della discesa del gradiente stocastico, l'importanza dei pregiudizi espliciti e il concetto di pre-formazione e l'aggiunta di pregiudizi induttivi nei modelli di apprendimento profondo.
Il Dr. Razvan Pascanu di DeepMind discute la questione dell'oblio nell'apprendimento profondo e come i modelli possono riprendersi da esso. Sebbene una parte della conoscenza possa ancora rimanere dopo che si è verificata la dimenticanza, è difficile determinare quante informazioni vengono perse. Il dottor Pascanu menziona come i recenti documenti sull'oblio mirato si siano concentrati sulla privacy dei dati, ma in questo settore sono necessarie ulteriori ricerche e attenzione.
CS 198-126: Modern Computer Vision Fall 2022 (Università della California, Berkeley) Lezione 1 - Introduzione all'apprendimento automatico
CS 198-126: Lezione 1 - Introduzione al Machine Learning
In questa lezione sull'apprendimento automatico, l'istruttore copre un'ampia gamma di argomenti, tra cui un'introduzione al corso, una panoramica dell'apprendimento automatico, diversi tipi di apprendimento automatico, pipeline di apprendimento automatico, etichettatura dei dati e funzione di perdita. Viene anche discusso il concetto di compromesso tra bias e varianza, overfitting e underfitting. L'istruttore sottolinea l'importanza di scegliere la funzione giusta durante il processo di apprendimento automatico e il ruolo degli iperparametri nel processo. L'obiettivo generale dell'apprendimento automatico è prevedere con precisione i nuovi dati, non solo adattare i dati di addestramento. Il docente incoraggia gli studenti a frequentare la lezione e a fare uno sforzo per conoscere il machine learning e il deep learning.