Làm thế nào để tôi tìm hiểu mạng lưới thần kinh?

Tôi là sinh viên năm nhất đại học (đề cập đến điều này để bạn có thể tha thứ cho sự không quen thuộc của tôi), người hiện đang nghiên cứu sử dụng mạng lưới thần kinh. Tôi đã mã hóa một mạng lưới thần kinh ba nút (hoạt động) dựa trên hướng dẫn của giáo sư của tôi. Tuy nhiên, tôi muốn theo đuổi sự nghiệp về AI và Khoa học dữ liệu và tôi muốn dạy bản thân nhiều hơn về những điều này một cách sâu sắc. Có bất kỳ cuốn sách hoặc tài nguyên nào sẽ dạy tôi nhiều hơn về cấu trúc mạng thần kinh, học sâu, v.v ... Có khuyến nghị nào không?

Lưu ý: Tôi thành thạo Java, Python, Bash, JavaScript, Matlab và biết một chút về C ++.

Tôi có bằng Thạc sĩ Khoa học Máy tính và luận án của tôi là về dự đoán chuỗi thời gian bằng Mạng thần kinh.

Cuốn sách Thực hành học máy với Scikit và Tensorflow cực kỳ hữu ích từ quan điểm thực tế. Nó thực sự đặt mọi thứ rất rõ ràng, không có nhiều lý thuyết và toán học. Tôi thực sự khuyên bạn nên nó.

Mặt khác, cuốn sách của Ian Goodfellow cũng là một cuốn sách bắt buộc (loại kinh thánh của DL). Ở đó bạn sẽ tìm thấy những lời giải thích lý thuyết, nó cũng sẽ giúp bạn hiểu biết hơn nhiều về việc học sâu và sự khởi đầu khiêm tốn của lĩnh vực này cho đến bây giờ.

Một cái khác, như những người khác đã đề xuất, dĩ nhiên là Deep Learning with Python của Chollet. Tôi đam mê đọc cuốn sách này. Quả thực nó được viết rất tốt, và một lần nữa, nó dạy cho bạn những mánh khóe và khái niệm mà bạn khó nắm bắt từ các hướng dẫn và khóa học trực tuyến.

Hơn nữa, tôi thấy bạn quen thuộc với Matlab, vì vậy có thể bạn đã tham gia một số lớp thống kê / xác suất, nếu không, tất cả những điều này sẽ áp đảo bạn một chút.

Nếu bạn muốn có một khởi đầu tốt và vững chắc cho việc học sâu, tôi sẽ cố gắng bắt đầu với cuốn sách có tên thích hợp "Deep Learning" của Ian Goodfellow et al. Sau đó, bạn sẽ có một cơ sở tốt mà bạn có thể chi tiêu bằng nhiều hướng dẫn, bài viết và khóa học khác nhau có sẵn trực tuyến.

Tuy nhiên, tôi cũng sẽ nói thêm rằng trước khi làm điều đó, bạn nên tham gia một số lớp "học máy" cơ bản (nên có sẵn tại trường Đại học của bạn). Nhiều người ngày nay đi thẳng vào việc học sâu và thực hiện các mạng nơ-ron vì nó tương đối dễ, nhưng hơn là họ thiếu hiểu biết để cải thiện nó hoặc sử dụng nó đến tiềm năng tối đa của nó.

Như đề xuất khác là nguồn lực rất tốt. Nếu bạn muốn có kiến ​​thức chuyên sâu, tôi sẽ đề xuất khóa học của Andrew Ng về coursera. Nó bao gồm kiến ​​thức chuyên sâu về những điều cơ bản của ML và nếu bạn bối rối về việc bạn bắt đầu với AI, ML hay học sâu Bạn có thể theo liên kết blog trong hồ sơ của tôi. Gần đây tôi đã đăng tải cách sử dụng các công nghệ này .

PS: Tôi không quảng cáo ở đây blog của tôi. Tôi chỉ giúp. Nếu bạn muốn theo dõi, bạn có thể đi theo nếu không hãy đi với Andrew Ng

Tôi khuyên bạn nên bắt đầu với Khóa học sụp đổ của Google trên ML nếu bạn muốn xem lại những điều cơ bản. Sau đó tôi đề nghị làm theo bài học ML và DL fast.ai của . Để đọc, tôi đề nghị Giới thiệu về Machine Learning của Alex Smola và SVN Vishwanathan. Chúc một ngày tốt lành!

Tôi đặc biệt khuyên bạn nên đọc cuốn sách tuyệt vời này: thực hành học máy với Scikit và Tensorflow. Mạng lưới thần kinh được trình bày ngắn gọn trong chương 9 và 10. Có rất nhiều ví dụ để bạn thực hành. Để hiểu một cách hiệu quả tập lệnh của các ví dụ, bạn nên có nền tảng về lập trình Python. Chúc một ngày tốt lành!

Deep Learning with Python của François Chollet là một bài giới thiệu tuyệt vời, ở cấp độ cao về học sâu của tác giả Keras.

Để thêm vào các tài liệu tham khảo ở trên (cuốn sách học sâu của Goodfellow và cộng sự là điều bắt buộc nếu bạn muốn đi sâu vào chủ đề), một cuốn sách thực hành xuất sắc là đi sâu vào việc học sâu mang đến một cách tiếp cận nghệ thuật (tầm nhìn máy tính , NLP) bằng cách sử dụng API gluon (khung mxnet, xem thêm dope thẳng ). Tôi cũng rất khuyến khích các tài nguyên trong phần mềm pytorch ( hướng dẫn ).

Có rất nhiều trang web tốt để tự học. Sau đây là 2 ví dụ:

https://machinelearningmastery.com/start-here/#deeplearning

https://www.analyticsvidhya.com/blog/2018/10/intributiontion-neural-networks-deep-learning/

Đây là đặc biệt hữu ích cho các khía cạnh thực tế, có thể ít hơn cho nền tảng lý thuyết.