![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Ilya Sutskever (Cientista Chefe da OpenAI) - Construindo AGI, Alinhamento, Espiões, Microsoft e Iluminismo
Ilya Sutskever (Cientista Chefe da OpenAI) - Construindo AGI, Alinhamento, Espiões, Microsoft e Iluminismo
O cientista-chefe da OpenAI, Ilya Sutskever, cobre uma variedade de tópicos neste vídeo, incluindo o potencial para usos ilícitos de GPT, a importância da confiabilidade em sistemas de IA, o papel da colaboração homem-máquina na construção de AGI, limitações de software e hardware de AGI e o potencial da pesquisa acadêmica. Ele acredita que uma combinação de abordagens será necessária para reduzir a probabilidade de desalinhamento na construção da AGI, e que os avanços necessários para a IA sobre-humana podem não parecer necessariamente avanços em retrospectiva. Ele também enfatiza o valor da contribuição humana nos modelos de ensino e sugere que o impacto dos modelos de linguagem pode ir além do mundo digital.
Lição 1: aprendizado profundo prático para codificadores 2022
Lição 1: aprendizado profundo prático para codificadores 2022
Neste vídeo do YouTube "Lesson 1: Practical Deep Learning for Coders 2022", o instrutor apresenta o curso, destacando o ritmo acelerado de mudança no aprendizado profundo e demonstra a facilidade de criar um sistema "pássaro ou não pássaro" usando Python. O curso visa mostrar às pessoas como construir e implantar modelos primeiro, em vez de começar com uma revisão de álgebra linear e cálculo, e cobrirá uma variedade de modelos de aprendizado profundo, incluindo algoritmos baseados em imagens que podem classificar sons ou movimentos do mouse. O instrutor enfatiza a importância da criação de blocos de dados, da compreensão dos detectores de recursos e do uso de modelos pré-treinados para reduzir os requisitos de codificação. O curso também abrange segmentação e análise tabular, com fast.ai fornecendo práticas recomendadas que ajudam a reduzir a codificação e melhorar os resultados.
O vídeo fornece uma introdução ao aprendizado profundo e suas aplicações em vários campos. O apresentador discute os fundamentos do aprendizado de máquina, incluindo o processo de treinamento do modelo e a importância de calcular a perda para atualizar o peso do modelo para um melhor desempenho. A lição abrange dois modelos: aprendizagem tabular e filtragem colaborativa. O apresentador também destaca a utilidade dos notebooks Jupyter na criação e compartilhamento de código, incluindo exemplos de projetos de alunos anteriores que levaram a novas startups, artigos científicos e ofertas de emprego. O principal argumento é que os aspirantes a aprendizes profundos devem experimentar e compartilhar seu trabalho com a comunidade para obter feedback e experiência valiosos.
Lição 2: aprendizado profundo prático para codificadores 2022
Lição 2: aprendizado profundo prático para codificadores 2022
Esta série de vídeos do YouTube fornece uma introdução ao aprendizado profundo para codificadores. Abrange tópicos como preparação de dados, criação de modelo e implantação de um modelo de aprendizado de máquina.
Neste vídeo, o hacker Jeremy Howard ensina as pessoas a criar seus próprios aplicativos da Web usando aprendizado profundo. Ele aborda como configurar um projeto no Git, como usar o espaço de abraços para carregar um modelo a ser treinado, processamento de linguagem natural e como reconhecer texto.
Lição 3: aprendizado profundo prático para codificadores 2022
Lição 3: aprendizado profundo prático para codificadores 2022
Este vídeo fornece uma introdução ao aprendizado profundo prático para codificadores. Ele cobre os fundamentos da multiplicação de matrizes e gradientes e demonstra como usar um modelo de aprendizado profundo para prever a probabilidade de raças de cães e gatos. Este vídeo fornece uma breve introdução ao aprendizado profundo para codificadores, incluindo uma discussão de como a multiplicação de matrizes pode levar muito tempo para ser intuitiva. A próxima lição se concentrará no processamento de linguagem natural, que trata de pegar dados de texto e fazer previsões com base em sua prosa.
Lição 4: aprendizado profundo prático para codificadores 2022
Lição 4: aprendizado profundo prático para codificadores 2022
Este vídeo explica como construir um modelo de aprendizagem profunda para a competição Coders 2022. O autor aborda como criar um conjunto de validação, como usar dados de competição para testar o desempenho do seu modelo e como evitar o overfitting em configurações do mundo real. Neste vídeo, Jeremy explica como usar o coeficiente de correlação de Pearson para medir a relação entre duas variáveis e como usar o Pytorch para treinar um modelo que se comporta como um aprendiz fast.ai. Ele também discute um problema com previsões geradas pelas técnicas de PNL e como ele pode ser resolvido usando uma função sigmoide.
Lição 5: aprendizado profundo prático para codificadores 2022
Lição 5: aprendizado profundo prático para codificadores 2022
Este vídeo fornece um tutorial sobre como construir e treinar um modelo linear usando aprendizado profundo. O vídeo começa discutindo as operações no local, que alteram os valores das variáveis em uma determinada função. A seguir, o vídeo demonstra como calcular a perda de um modelo linear usando gradiente descendente para trás. Finalmente, o vídeo fornece uma função que inicializa e atualiza os coeficientes dentro de um modelo linear. O vídeo conclui demonstrando como executar a função e imprimir a perda. Este vídeo explica como calcular a melhor divisão binária para uma determinada coluna em um conjunto de dados. Isso é particularmente útil para competições de aprendizado de máquina, pois fornece um modelo de linha de base para comparação.
Lição 6: aprendizado profundo prático para codificadores 2022
Lição 6: aprendizado profundo prático para codificadores 2022
Este vídeo do YouTube fornece um guia sobre como começar a usar o aprendizado profundo para codificadores. O foco principal é o aprendizado profundo prático para codificadores, com dicas sobre como configurar uma competição, obter um conjunto de validação e iterar rapidamente. O vídeo também discute a importância dos gráficos de importância de recursos e dependência parcial e como criá-los usando um modelo de aprendizado de máquina.
Este vídeo fornece uma visão geral de como usar o aprendizado profundo para melhorar a precisão dos projetos de codificação. Ele explica que os conjuntos de dados geralmente podem ter uma ampla variedade de tamanhos de entrada e proporções, o que dificulta a criação de representações precisas com retângulos. Ele sugere o uso de representações quadradas, que funcionam bem na maioria dos casos.
Lição 7: aprendizado profundo prático para codificadores 2022
Lição 7: aprendizado profundo prático para codificadores 2022
Na Lição 7 do Practical Deep Learning for Coders 2022, Jeremy explica como escalar modelos de deep learning reduzindo a memória necessária para modelos maiores. Ele demonstra um truque chamado acumulação de gradiente, que envolve não atualizar os pesos a cada loop de cada mini-lote, mas fazê-lo algumas vezes, permitindo que tamanhos de lote maiores sejam usados sem a necessidade de GPUs maiores. Além disso, Jeremy discute a validação cruzada k-fold e a criação de um modelo de aprendizado profundo que prevê o tipo de arroz e a doença presente na imagem usando uma função de perda diferente chamada perda de entropia cruzada. No geral, o vídeo fornece dicas e truques práticos para criar modelos de aprendizado profundo mais complexos.
Neste vídeo, o palestrante explora a criação de sistemas de recomendação usando filtragem colaborativa e produto ponto no PyTorch. Ele descreve a previsão de multiplicação de matrizes de classificações de filmes e calcula a função de perda, uma medida de quão bem as classificações previstas correspondem às classificações reais. Ele introduz o conceito de embeddings, que permite uma aceleração em multiplicadores de matrizes com variáveis fictícias. O palestrante explica como adicionar viés e regularização à matriz para diferenciar as avaliações do usuário e evitar o ajuste excessivo. Finalmente, o tópico de busca de hiperparâmetros é discutido, enfatizando a necessidade de dados granulares para recomendações precisas. No geral, o vídeo detalha conceitos complexos de aprendizado profundo para criar uma compreensão prática para os espectadores.
Lição 8 - Deep Learning prático para codificadores 2022
Lição 8 - Deep Learning prático para codificadores 2022
Este vídeo aborda os fundamentos do aprendizado profundo para codificadores. Ele explica como criar parâmetros para modelos de aprendizado profundo usando a biblioteca Pytorch, como usar o PCA para reduzir o número de fatores em um conjunto de dados e como usar uma rede neural para prever o preço de venda em leilão de equipamentos industriais pesados.
Este vídeo do YouTube fornece uma visão geral do aprendizado profundo para programadores. O orador explica que a tenacidade é importante nesta área e aconselha que, se quiser ter sucesso, deve continuar até que algo esteja concluído. Ele também recomenda ajudar outros iniciantes em forums.fast.ai.
Lição 9: Fundamentos de aprendizado profundo para difusão estável, 2022
Lição 9: Fundamentos de aprendizado profundo para difusão estável, 2022
Este vídeo fornece uma introdução ao aprendizado profundo, discutindo como os modelos de difusão estáveis funcionam e como eles podem ser aplicados para gerar novas imagens. O vídeo inclui uma demonstração de como usar a biblioteca Diffusers para criar imagens que se parecem com dígitos manuscritos. Também introduz o conceito de difusão estável, que é um método para treinamento de Redes Neurais. A ideia básica é modificar as entradas de uma Rede Neural para alterar a saída. Neste vídeo, o instrutor discute como criar uma Rede Neural que será capaz de identificar corretamente os dígitos manuscritos de entradas ruidosas. Este vídeo discute como treinar um modelo de aprendizado de máquina usando um algoritmo de aprendizado profundo. O modelo é inicializado com um conjunto de variáveis latentes (representando os dados) e usa um decodificador para entender os dados brutos. Em seguida, um codificador de texto é usado para criar legendas legíveis por máquina para os dados. Finalmente, uma U-Net é treinada usando as legendas como entrada e os gradientes (a "função de pontuação") são usados para ajustar os níveis de ruído nos dados de treinamento.