Все записи

TensorFlow

1. TensorFlow: базовая классификация, часть 1
2. TensorFlow: базовая классификация, часть 2
3. TensorFlow: классификация текста с отзывами к фильмам, часть 1
4. TensorFlow: классификация текста с отзывами к фильмам, часть 2
5. Регрессия c TensorFlow: прогнозирование цен на дома
6. TensorFlow: Keras, базовое использование
7. TensorFlow: Keras, сложные модели, сохранение, распределение
8. Наборы инструментов в TensorFlow
9. Переобучение и недообучение с TensorFlow
10. TensorFlow: сохранение и восстановление моделей
11. TensorFlow: стремительное исполнение (eager execution), базовое использование
12. TensorFlow: стремительное исполнение (eager execution), продвинутое использование
13. TensorFlow: импорт данных - базовая механика, итераторы
14. TensorFlow: импорт данных - чтение данных
15. TensorFlow: импорт данных - предобработка данных
16. TensorFlow: введение в Estimators API
17. TensorFlow Estimators: задача классификации Iris
18. TensorFlow Estimators: сохранение и восстановление моделей
19. TensorFlow Estimators: колонки свойств (feature columns)
20. TensorFlow: Datasets для Estimators
21. TensorFlow: создание кастомных Estimators
22. TensorFlow: использование GPU
23. Основы TensorFlow Core
24. TensorFlow Core: тензоры (tensors)
25. TensorFlow Core: переменные (variables)
26. TensorFlow Core: графы и сессии
27. TensorFlow Core: сохранение и восстановление переменных
28. TensorFlow Core: сохранение и восстановление моделей
29. TensorFlow Core: SavedModel CLI (интерфейс командной строки)
30. TensorFlow: AutoGraph, примеры использования
31. TensorFlow: embeddings (встраивания)

PyTorch

1. PyTorch: тензоры (tensors)
2. PyTorch: Autograd, автоматическая дифференциация
3. PyTorch: нейронные сети
4. PyTorch: создание классификатора изображений
5. PyTorch: использование GPU
6. PyTorch: загрузка и обработка данных изображений

MXNet

1. MXNet и нейронные сети: простые примеры
2. Два стиля программирования в MXNet
3. Зачем нужен MXNet для нейронных сетей

Машинное обучение

1. Термины машинного обучения
2. Линейная регрессия
3. Тренировка модели и потери
4. Уменьшение потери: итеративный подход
5. Градиентный спуск
6. Градиентный спуск: скорость обучения
7. Стохастический градиентный спуск
8. Генерализация: опасность переобучения
9. Тренировочный и тестовый набор: разделение данных
10. Валидационный набор
11. Представление: разработка свойств
12. Представление: качества хороших свойств
13. Представление: очистка свойств
14. Пересечение свойств: кодирование нелинейности
15. Пересечения свойств: пересечение одноразовых векторов
16. Регуляризация для упрощения модели: L2 регуляризация
17. Регуляризация для упрощения модели: лямбда
18. Логистическая регрессия: вычисление вероятности
19. Логистическая регрессия: тренировка модели
20. Классификационный порог
21. Классификация: истинный и ложный, положительный и отрицательный
22. Классификация: аккуратность
23. Классификация: точность и отзыв
24. Классификация: ROC и AUC
25. Классификация: смещение прогноза
26. Регуляризация для разреженных данных: L1 регуляризация
27. Анатомия нейронных сетей
28. Тренировка нейронных сетей: провал обратного распространения и регуляризация
29. Мультиклассовые нейронные сети: один против всех
30. Мультиклассовые нейронные сети: софтмакс
31. Глубокое обучение (deep learning)
32. Машинное обучение