PyTorch: Deep Learning and Artificial Intelligence [Lazy Programmer Inc] [udemy]

PyTorch: Deep Learning and Artificial Intelligence
Neural Networks for Computer Vision, Time Series Forecasting, NLP, GANs, Reinforcement Learning, and More!
Лидер продаж
Рейтинг: 4,7 из 54,7 (785 оценок)
Студентов: 4 429
Авторы: Lazy Programmer Team, Lazy Programmer Inc.
Последнее обновление: 01.2023
Английский
Английский [авто]
Английский
Субтитры русский [авто]


Чему вы научитесь

• Artificial Neural Networks (ANNs) / Deep Neural Networks (DNNs)
• Predict Stock Returns
• Time Series Forecasting
• Computer Vision
• How to build a Deep Reinforcement Learning Stock Trading Bot
• GANs (Generative Adversarial Networks)
• Recommender Systems
• Image Recognition
• Convolutional Neural Networks (CNNs)
• Recurrent Neural Networks (RNNs)
• Natural Language Processing (NLP) with Deep Learning
• Demonstrate Moore's Law using Code
• Transfer Learning to create state-of-the-art image classifiers
  Требования
  • Know how to code in Python and Numpy
  • For the theoretical parts (optional), understand derivatives and probability
  
  
  Описание
  Welcome to PyTorch: Deep Learning and Artificial Intelligence!
  
  
  Although Google's Deep Learning library Tensorflow has gained massive popularity over the past few years, PyTorch has been the library of choice for professionals and researchers around the globe for deep learning and artificial intelligence.
  
  Is it possible that Tensorflow is popular only because Google is popular and used effective marketing?
  
  Why did Tensorflow change so significantly between version 1 and version 2? Was there something deeply flawed with it, and are there still potential problems?
  
  It is less well-known that PyTorch is backed by another Internet giant, Facebook (specifically, the Facebook AI Research Lab - FAIR). So if you want a popular deep learning library backed by billion dollar companies and lots of community support, you can't go wrong with PyTorch. And maybe it's a bonus that the library won't completely ruin all your old code when it advances to the next version.
  
  On the flip side, it is very well-known that all the top AI shops (ex. OpenAI, Apple, and JPMorgan Chase) use PyTorch. OpenAI just recently switched to PyTorch in 2020, a strong sign that PyTorch is picking up steam.
  
  If you are a professional, you will quickly recognize that building and testing new ideas is extremely easy with PyTorch, while it can be pretty hard in other libraries that try to do everything for you. Oh, and it's faster.
  
  
  Deep Learning has been responsible for some amazing achievements recently, such as:
  • Generating beautiful, photo-realistic images of people and things that never existed (GANs)
    
    
  • Beating world champions in the strategy game Go, and complex video games like CS:GO and Dota 2 (Deep Reinforcement Learning)
    
    
  • Self-driving cars (Computer Vision)
    
    
  • Speech recognition (e.g. Siri) and machine translation (Natural Language Processing)
    
    
  • Even creating videos of people doing and saying things they never did (DeepFakes - a potentially nefarious application of deep learning)
  
  This course is for beginner-level students all the way up to expert-level students. How can this be?
  
  If you've just taken my free Numpy prerequisite, then you know everything you need to jump right in. We will start with some very basic machine learning models and advance to state of the art concepts.
  
  Along the way, you will learn about all of the major deep learning architectures, such as Deep Neural Networks, Convolutional Neural Networks (image processing), and Recurrent Neural Networks (sequence data).
  
  Current projects include:
  • Natural Language Processing (NLP)
    
    
  • Recommender Systems
    
    
  • Transfer Learning for Computer Vision
    
    
  • Generative Adversarial Networks (GANs)
    
    
  • Deep Reinforcement Learning Stock Trading Bot
  Even if you've taken all of my previous courses already, you will still learn about how to convert your previous code so that it uses PyTorch, and there are all-new and never-before-seen projects in this course such as time series forecasting and how to do stock predictions.
  
  This course is designed for students who want to learn fast, but there are also "in-depth" sections in case you want to dig a little deeper into the theory (like what is a loss function, and what are the different types of gradient descent approaches).
  
  I'm taking the approach that even if you are not 100% comfortable with the mathematical concepts, you can still do this! In this course, we focus more on the PyTorch library, rather than deriving any mathematical equations. I have tons of courses for that already, so there is no need to repeat that here.
  
  
  Instructor's Note: This course focuses on breadth rather than depth, with less theory in favor of building more cool stuff. If you are looking for a more theory-dense course, this is not it. Generally, for each of these topics (recommender systems, natural language processing, reinforcement learning, computer vision, GANs, etc.) I already have courses singularly focused on those topics.
  
  
  Thanks for reading, and I’ll see you in class!
  
  
  WHAT ORDER SHOULD I TAKE YOUR COURSES IN?:
  • Check out the lecture "Machine Learning and AI Prerequisite Roadmap" (available in the FAQ of any of my courses, including the free Numpy course)
  Для кого этот курс:
  • Beginners to advanced students who want to learn about deep learning and AI in PyTorch
  
  
  
  PyTorch: глубокое обучение и искусственный интеллект
  Нейронные сети для компьютерного зрения, прогнозирования временных рядов, NLP, GAN, обучения с подкреплением и многого другого!
  Лидер продаж
  Рейтинг: 4,7 из 54,7 (785 оценок)
  Студентов: 4 429
  Авторы: Lazy Programmer Team , Lazy Programmer Inc.
  Последнее обновление: 7/2021
  Английский
  Английский [авто]
  
  
  Чему вы научитесь
  • Искусственные нейронные сети (ИНС) / Глубокие нейронные сети (DNN)
  • Прогнозировать доходность акций
  • Прогнозирование временных рядов
  • Компьютерное зрение
  • Как создать бота для торговли акциями с глубоким обучением
  • GAN (Генеративные состязательные сети)
  • Рекомендательные системы
  • Распознавание изображений
  • Сверточные нейронные сети (CNN)
  • Рекуррентные нейронные сети (RNN)
  • Обработка естественного языка (NLP) с глубоким обучением
  • Продемонстрируйте закон Мура с помощью кода
  • Передача обучения для создания современных классификаторов изображений
    
    
    Требования
    • Уметь писать код на Python и Numpy
    • Что касается теоретических частей (необязательно), ознакомьтесь с производными и вероятностями.
    
    
    Описание
    Добро пожаловать в PyTorch: глубокое обучение и искусственный интеллект!
    
    
    Хотя библиотека Google Deep Learning Tensorflow за последние несколько лет приобрела огромную популярность, PyTorch была библиотекой, которую выбирают профессионалы и исследователи во всем мире для глубокого обучения и искусственного интеллекта .
    
    Возможно ли, что Tensorflow популярен только потому, что популярен Google и используется эффективный маркетинг?
    
    Почему Tensorflow так сильно изменился между версией 1 и версией 2? Были ли в нем какие-то серьезные недостатки, и есть ли все еще потенциальные проблемы?
    
    Менее известно, что PyTorch поддерживается другим интернет-гигантом, Facebook (в частности, Facebook AI Research Lab - FAIR ). Поэтому, если вам нужна популярная библиотека глубокого обучения, поддерживаемая компаниями на миллиард долларов и широкой поддержкой сообщества, вы не ошибетесь с PyTorch. И, возможно, бонус в том, что библиотека не разрушит полностью весь ваш старый код при переходе к следующей версии.
    
    С другой стороны, хорошо известно, что все ведущие магазины AI (например, OpenAI, Apple и JPMorgan Chase ) используют PyTorch. OpenAI совсем недавно перешел на PyTorch в 2020 году, что является убедительным признаком того, что PyTorch набирает обороты.
    
    Если вы профессионал, вы быстро поймете, что создавать и тестировать новые идеи с PyTorch очень легко, тогда как в других библиотеках, которые пытаются сделать все за вас, это может быть довольно сложно. Ой, и это быстрее.
    
    
    Благодаря глубокому обучению в последнее время были достигнуты некоторые удивительные достижения, такие как:
    • Создание красивых фотореалистичных изображений людей и вещей, которых никогда не было (GAN)
      
      
    • Победа над чемпионами мира в стратегической игре Go и сложных видеоиграх, таких как CS: GO и Dota 2 (глубокое обучение с подкреплением)
      
      
    • Беспилотные автомобили (компьютерное зрение)
      
      
    • Распознавание речи (например, Siri) и машинный перевод (обработка естественного языка)
      
      
    • Даже создание видеороликов, на которых люди делают и говорят то, чего они никогда не делали (DeepFakes - потенциально гнусное применение глубокого обучения)
    
    Этот курс предназначен для студентов от начального уровня до студентов экспертного уровня. Как это может быть?
    
    Если вы только что воспользовались моим бесплатным предварительным условием Numpy, то вы знаете все, что вам нужно, чтобы сразу приступить к работе. Мы начнем с некоторых очень простых моделей машинного обучения и перейдем к современным концепциям.
    
    Попутно вы узнаете обо всех основных архитектурах глубокого обучения, таких как глубокие нейронные сети, сверточные нейронные сети (обработка изображений) и рекуррентные нейронные сети (данные последовательности).
    
    Текущие проекты включают:
    • Обработка естественного языка (NLP)
      
      
    • Рекомендательные системы
      
      
    • Передача обучения компьютерному зрению
      
      
    • Генеративные состязательные сети (GAN)
      
      
    • Бот для торговли акциями с глубоким обучением с подкреплением
    Даже если вы уже прошли все мои предыдущие курсы, вы все равно узнаете, как преобразовать свой предыдущий код, чтобы он использовал PyTorch, и в этом курсе есть совершенно новые и никогда ранее не публиковавшиеся проекты, такие как временные ряды. прогнозирование и как делать прогнозы по запасам.
    
    Этот курс предназначен для студентов, которые хотят учиться быстро, но есть также «углубленные» разделы на случай, если вы хотите немного углубиться в теорию (например, что такое функция потерь и какие существуют типы градиента подходы к спуску).
    
    Я придерживаюсь такого подхода, что даже если вы не на 100% знакомы с математическими концепциями, вы все равно можете это сделать! В этом курсе мы больше сосредоточимся на библиотеке PyTorch, чем на выводе каких-либо математических уравнений. У меня уже есть масса курсов по этому поводу, поэтому нет необходимости повторять это здесь.
    
    
    Примечание для инструктора: этот курс фокусируется на широте, а не на глубине , с меньшим количеством теории в пользу создания более крутых вещей. Если вы ищете более теоретически насыщенный курс, это не то. Как правило, по каждой из этих тем (рекомендательные системы, обработка естественного языка, обучение с подкреплением, компьютерное зрение, GAN и т. Д.) У меня уже есть курсы, специально посвященные этим темам.
    
    
    Спасибо за чтение, до встречи на уроке!
    
    
    В КАКОМ ПОРЯДКЕ Я ДОЛЖЕН ПРОЙТИ ВАШИ КУРСЫ ?:
    • Ознакомьтесь с лекцией «Машинное обучение и предварительная карта ИИ» (доступна в FAQ любого из моих курсов, включая бесплатный курс Numpy)
    Для кого этот курс:
    • От начинающих до продвинутых студентов, которые хотят узнать о глубоком обучении и искусственном интеллекте в PyTorch
      
      Скрытая ссылка