SAUDAÇÕES
Bem-vindo ao repositório de dados do curso Deep Learning de Kirill Eremenko e Hadelin de Ponteves.
Os conjuntos de dados e outros materiais suplementares estão abaixo.
Apreciar!
PARTE 0. BEM-VINDO AO CURSO!
Seção 1. Bem-vindo ao curso!
- Conheça seus instrutores
- Aprendizado Profundo AZ (Estrutura de Pastas. Atualizado 20171021)
PARTE 1. REDES NEURAIS ARTIFICIAIS (RNA)
Conjuntos de dados e modelos:
Leitura Adicional:
- Yann LeCun et al., 1998, BackProp Eficiente
- Por Xavier Glorot et al., 2011, Redes neurais do retificador esparso profundo
- CrossValidated, 2015, Uma lista de funções de custo usadas em redes neurais, junto com aplicativos
- Andrew Trask, 2015, Uma Rede Neural em 13 linhas de Python (Parte 2 - Descida de Gradiente)
- Michael Nielsen, 2015, Redes Neurais e Aprendizagem Profunda
PARTE 2. REDES NEURAIS CONVOLUCIONAIS (CNN)
Conjuntos de dados e modelos:
Leitura Adicional:
- Yann LeCun et al., 1998, Aprendizagem Baseada em Gradientes Aplicada ao Reconhecimento de Documentos
- Jianxin Wu, 2017, Introdução às Redes Neurais por Convolução
- C.-C. Jay Kuo, 2016, Entendendo redes neurais convolucionais com um modelo matemático
- Kaiming He et al., 2015, investigando profundamente os retificadores: superando o desempenho em nível humano na classificação do ImageNet
- Dominik Scherer et al., 2010, Avaliação de operações de pooling em arquiteturas convolucionais para reconhecimento de objetos
- Adit Deshpande, 2016, The 9 Deep Learning Papers que você precisa saber sobre (Understanding CNNs Part 3)
- Rob DiPietro, 2016, uma introdução amigável à perda de entropia
- Peter Roelants, 2016, Como implementar uma rede neural Intermezzo 2
PARTE 3. REDES NEURAIS RECORRENTES (RNN)
Conjuntos de dados e modelos:
Leitura Adicional:
- Oscar Sharp & Benjamin, 2016, Sunspring
- Sepp (Josef) Hochreiter, 1991, Untersuchungen zu dynamischen neuronalen Netzen
- Yoshua Bengio, 1994, Aprender Dependências a Longo Prazo com Descida de Gradiente é Difícil
- Razvan Pascanu, 2013, Sobre a dificuldade de treinar redes neurais recorrentes
- Sepp Hochreiter & Jurgen Schmidhuber, 1997, Memória Longa de Curto Prazo
- Christopher Olah, 2015, Entendendo as Redes LSTM
- Shi Yan, 2016, Entendendo o LSTM e seus diagramas
- Andrej Karpathy, 2015, A Eficácia Irrazoável de Redes Neurais Recorrentes
- Andrej Karpathy, 2015, Visualizando e Entendendo Redes Recorrentes
- Klaus Greff, 2015, LSTM: Uma Odisséia no Espaço de Busca
- Xavier Glorot, 2011, Redes neurais retificadoras esparsas profundas
PARTE 4. MAPAS AUTO-ORGANIZADOS (SOM)
Conjuntos de dados e modelos:
Leitura Adicional:
- Tuevo Kohonen, 1990, O mapa auto- organizável
- Mat Buckland, 2004 ? , mapas de recurso auto-organizadores de Kohonen
- Nadieh Bremer, 2003, SOM - Criando heatmaps hexagonais com D3.js
PARTE 5. MÁQUINAS BOLTZMANN (BM)
Conjuntos de dados e modelos:
Leitura Adicional:
- Yann LeCun, 2006, Um Tutorial sobre Aprendizagem Baseada na Energia
- Jaco Van Dormael, 2009, Mr. Nobody
- Geoffrey Hinton, 2006, Um algoritmo de aprendizado rápido para redes de crenças profundas
- Oliver Woodford, 2012 ?, Notas sobre divergência de contraste
- Yoshua Bengio, 2006, Treinamento Greedy Layer-Wise de Deep Networks
- Geoffrey Hinton, 1995, O algoritmo wake-sleep para redes neurais não supervisionadas
- Ruslan Salakhutdinov, 2009 ?, máquinas profundas de Boltzmann
PARTE 6. AUTOENCODERS (AE)
Conjuntos de dados e modelos:
Leitura Adicional:
- Malte Skarupke, 2016, Redes neurais são impressionantemente boas em compactação
- Francois Chollet, 2016, Autoencodificadores de Construção em Keras
- Chris McCormick, 2014, Deep Learning Tutorial - Autoencoder esparso
- Eric Wilkinson, 2014, Aprendizado Profundo: Autoencodificadores Esparsos
- Alireza Makhzani, 2014, Auto-leitores k-Sparse
- Pascal Vincent, 2008, Extraindo e Compondo Recursos Robustos com Autoencodificadores de Denoising
- Salah Rifai, 2011, Auto-Encoders Contrários: Invariância Explícita Durante a Extração de Recursos
- Pascal Vincent, 2010, Autoencodificadores de Denoising Empilhados: Aprendendo Representações Úteis em uma Rede Profunda com um Critério de Denoising Local
- Geoffrey Hinton, 2006, Reduzindo a Dimensionalidade dos Dados com Redes Neurais
ANEXO. OBTENHA AS NOÇÕES BÁSICAS DE APRENDIZADO DE MÁQUINA
Conjuntos de dados e modelos:
Postar um comentário