Последние несколько лет обучение машин ушло из перспективных технологий в то, что мы ежедневно окружены ежедневно. И в основе многих машинных систем обучения лежит нейронные сети.
НИВУРНЫЕ СЕТИ – это то, что питает автонарушение, лучшие шахматисты в мире шахматистов и многие рекомендации, которые вы получаете от приложений, таких как YouTube, Netflix и Spotify.
Итак, сегодня я супер воткнулся, чтобы наконец подарить Коллектив Scrimba Это помогает любому веб-разработчику легко начать работу с нейронных сетей.
Это самая первая машина обучения на Scrimba , но, конечно, не последний!
В ходе, Роберт Пламмер учит вас, как пользоваться его популярным Мозги.js Библиотека посредством решения куча захватывающих проблем, таких как:
- распознавание изображений
- Анализируя настроение предложений
- И даже писать очень простые детские книги!
И благодаря платформе Scrimba вы сможете напрямую взаимодействовать с примером кода и модифицировать его по пути.
Итак, давайте посмотрим на то, что вы узнаете на протяжении этих 19 бесплатных скрингастов.
1. Вступление
Роберт начинается с предоставления вам обзора над концепциями, которые вы узнаете, проекты, которые вы будете строить и общую педагогическую философию за курсом. Это практический курс, который фокусируется на расширении возможностей людей, а не застревать в теоретических аспектах нейронных сетей.
2. Наша первая нейронная сеть!
В этой лекции мы перейдем в код и запустите кодирование немедленно. Роберт берет вас через создание сеть XOR, которая самая простая сетка возможна для создания. В течение двух минут лекций вы смотрели, что ваша первая нейронная сеть закодирована.
Вам также будет рекомендовано играть с сетью самостоятельно, просто приостановив скрингастов, редактируя значения, а затем запускаю сеть для себя!
3. Как они учатся? Распространение
Роберт продолжает курс с небольшим количеством теории. В этой лекции он объясняет концепции форвардного распространения и размножения назад, которые оба находятся в основе нейронных сетей.
Он использует простой пример, чтобы объяснить концепции таким образом, чтобы все могли понять.
Robert также дает быстрое введение в функцию ошибки, что является еще одним ключевым компонентом нейронных сетей, так как ошибка сообщает, как далеко от его прогнозов во время обучения.
4. Как они учатся? Часть 2 – структура
В этой лекции Роберт объясняет еще несколько концепций. Более конкретно, он объясняет основную структуру нейронных сетей.
- Входы и выходы
- случайные значения
- Функции активации («RELU»)
Он также предоставляет пару ссылок, которые вы можете использовать, если вы заинтересованы в дайнике немного глубже в эти концепции. Но с этим представляем собой практический курс, а не теоретический, он быстро движется.
5. Как они учатся? Часть 3 – слои
Теперь раньше времени познакомиться со слоями. Таким образом, в этой лекции Роберт предложил вам обзор, как настроить слои Brian.js и почему слои важны.
Robert также подчеркивает, насколько простыми расчетами внутри нейронов сетевой сети. Если вам интересно и хотите узнать больше об этом, вы можете следить за ссылками, которые он добивается до конца этой лекции.
6. Работа с объектами
У Main.js также есть хорошая особенность, которая позволяет ей работать с объектами. Так что в этом руководстве Роберт объясняет, как именно это сделать. Чтобы проиллюстрировать, как это работает, он создает нейронную сеть, которая предсказывает яркость цветов, основанных на том, сколько красный, зеленый и синий в них содержатся.
7. Изучить больше, чем цифры
Когда вы хотите решить проблемы в реальном мире, вы часто должны иметь дело с ценностями, которые не являются номерами. Однако нейронная сеть понимает числа. Так что представляет проблему.
К счастью, White.js осознает это и имеет встроенный раствор. Таким образом, в этой лекции Роберт объясняет, как вы можете использовать другие значения, чем цифры для создания нейронных сетей.
8. Подсчет с нейронными сетями
Теперь пришло время познакомиться с новым типом нейронных сетей, который так называемый повторяющиеся нейронные сети. Звучит очень сложен, но Роберт учит вас использовать этот инструмент простым способом. Он использует Легко понять Киноаналогия, чтобы объяснить концепцию.
Затем он учит считать сеть. Или другими словами, сеть принимает набор номеров в качестве входа (например, 5,4,3), а затем догадается до угадания следующего номера (например, 2). Это может показаться тривиальным, но это на самом деле огромный шаг к созданию машин, которые помнят и могут понять контекст.
9. Прогноз фондового рынка – нормализация
Нейронные сети часто лучше всего работают со значениями, которые варьируются около 1. Так что происходит, когда ваши входные данные далеко от 1? Это ситуация, которую вы попадете, если ваш E.G. прогнозирование цен на акции. В таком случае вам нужно нормализовать данные. Таким образом, в этой лекции Роберт объясняет, как сделать это простым способом.
10. Предсказание фондового рынка – предсказать следующее
Теперь, когда мы знаем, как нормализовать данные, Robert демонстрирует, как мы можем создать нейронную сеть, которая может предсказать цену акций на следующий день. Мы будем использовать такую же сеть, которую вы помните из учебного пособия, A Рекуррентная нейронная сеть.
11. Предсказание фондового рынка – прогнозировать следующие 3 шага
Но просто прогноз один день в будущем не всегда достаточно. Так что в этой лекции Роберт проходит через Прогноз … Способ мозги.js. Это позволяет нам предсказать несколько шагов в будущем. Эта способность делает рекуррентную нейронную сеть более полезной в различных настройках.
12. Рекуррентные нейронные сети изучают математику
В этой лекции Роберт учит нейронную сеть, чтобы добавить номера вместе. И он делает это с вводом только в кучу строк. Этот скринкаст также дает вам лучшее понимание того, как рецидивирующая нейронная сеть преобразует входы, которые он попадает в массивы, прежде чем запустить его.
13. Обнаружение номера LO-FI
Еще одним супер полезным приложением к нейронным сеткам является распознавание изображения. В этом руководстве Роберт создает нейронную сеть, которая может распознавать номера ASCII-ART. Это фиктивная версия искусственного зрения.
И хотя это очень просто, это все еще динамично так же, как правильное решение будет. Это означает, что вы можете изменить номера ASCII для определенной степени, и сеть все еще будет распознавать, какой номер вы пытаетесь его дать. Другими словами, он способен обобщать.
14. Написание детской книги с рецидивирующей сетью
Этот проект очень круто. Это включает в себя обучение сети, чтобы написать детскую книгу. Опять же, это просто фиктивный пример, но это определенно намекает на силу рекуррентных нейронных сетей, поскольку она начинает импровизировать новое предложение, посмотрев на четыре разных предложения.
Если вы хотите получить намек на удивительную силу рекуррентных нейронных сетей, проверить Андрею Карпати Сообщение в блоге по этому вопросу.
15. Обнаружение настроений
Очень распространенное использование для изучения машин и нейронных сетей – обнаружение настроения. Это может быть например Чтобы понять, как люди говорят о вашей компании в социальных сетях. Поэтому для того, чтобы дать вам этот инструмент в вашей панели инструментов, Robert объясняет, как использовать сеть LSTM для обнаружения настроений.
16. Рекуррентные нейронные сети с … входами? Выходы? Как?
Рекуррентная нейронная сеть переводит ваши входные данные на так называемую карту ввода, которые Robert объясняет в этом скринковасте. Это не то, о чем вам нужно будет думать при использовании Brain.js, так как он абстрагирован от вас, но полезно знать об этой базовой структуре.
17. Простое обучение подкрепления
Обучение подкрепления – действительно захватывающая граница машинного обучения, а в этой лекции вы получите немного вкуса. Всего за несколько минут Роберт даст вам концептуальную демонстрацию того, что такое укрепление обучения, используя простейшую возможную сетку, сеть XOR.
18. Создание двигателя рекомендации
Наконец, Роберт заканчивает лекции с помощью Рекомендации, который изучает предпочтение пользователя для цветов. Рекомендательные двигатели в значительной степени используются компаниями, такими как Netflix и Amazon, чтобы предоставить пользователям более актуальные предложения, поэтому это очень полезный предмет, чтобы узнать больше о.
19. Закрытие мыслей
Если вы сделаете это далеко: поздравляю! Вы сделали первый шаг к тому, чтобы стать машинным обучением инженера. Но это на самом деле, где начинается ваше путешествие, и у Роберта есть несколько действительно интересных мыслей о том, как вы должны подумать о вашем пути обучения машине, и как вы должны использовать свою интуицию в качестве руководства.
После просмотра этого вы будете вдохновлены и уполномочены выходить в мир и решать проблемы с помощью машинного обучения!
И не забудьте Следуйте до Роберта в Twitter , а также спасибо за его удивительный рождественский подарок всем нам!
Счастливое кодирование!
Спасибо за прочтение! Меня зовут на Borgen, я соучредитель Scrimba – Самый простой способ научиться кодировать. Вы должны проверить наш Отзывчивый веб-дизайн bootcamp Если хотите научиться строить современный веб-сайт на профессиональном уровне.
Оригинал: “https://www.freecodecamp.org/news/want-to-learn-neural-networks-heres-a-free-brain-js-course-merry-christmas-ea801f378041/”