特色

人工智能学习路线

本站Q群:992749812

阶段一、人工智能基础 - 高等数学必知必会
阶段二、人工智能提升 - Python高级应用
阶段三、人工智能实用 - 机器学习篇
阶段四、人工智能实用 - 数据挖掘篇
阶段五、人工智能前沿 - 深度学习篇
阶段六、人工智能进阶 - 自然语言处理篇
阶段七、人工智能进阶 - 图像处理篇
阶段八、人工智能终极实战 - 项目应用
阶段九、人工智能实战 - 企业项目实战
阶段十、阿里云认证……

阅读更多

特色

Python学习路线和思维导图

python语言基础
python核心编程
python全栈工程师前端后端
Linux运维自动化开发
python数据分析
python大数据
人工智能机器学习深度学习
……

阅读更多

   
 
 

强化学习(policygradient和actor-critic

强化学习(Policy Gradient,Actor Critic) 强化学习是通过奖惩的反馈来不断学习的,在Q-Learning,Sarsa和DQN中,都是学习到了价值函数或对价值函数的近似,然后根据价值来选择策略……

阅读更多

时间序列的深度学习模型(RNN和LSTM)

一、RNN(循环神经网络)
Recurrent Neural Networks(RNN)用于处理序列模型的问题,是一种对序列数据建模的神经网络。

1.RNN与一般NN的不同
传统NN每个样本输入、输出之间相互独立,不能处理很多情况。比如预测句子的下一个单词是什么,需要用到之前的信息。
……

阅读更多

深度学习(近年来流行的卷积神经网络)

LeNet (20世纪90年代):最早最出名的神经网络之一。
AlexNet(2012) – 2012年,Alex Krizhevsky(和其他人)发布了 AlexNet,它是提升了深度和广度版本的 LeNet,并在2012年以巨大优势赢得了 ImageNet 大规模视觉识别挑战赛(ILSVRC)。这是基于之前方法的重大突破,目前 CNN 的广泛应用都要归功于 AlexNet。
ZF Net(2013) – 2013年 ILSVRC 获奖者来自 Matthew Zeiler 和 Rob Fergus 的卷积网络。它被称为 ZFNet(Zeiler 和 Fergus Net 的简称)。它在 AlexNet 的基础上通过调整网络框架超参数对其进行了改进。
GoogLeNet(2014) – 2014年 ILSVRC 获奖者是 Google 的 Szegedy 等人的卷积网络。其主要贡献是开发了一个初始模块,该模块大大减少了网络中的参数数量(4M,而 AlexNet 有60M)。
VGGNet(2014) – 2014年 ILSVRC 亚军是名为 VGGNet 的网络。其主要贡献在于证明了网络深度(层数)是影响性能的关键因素。
ResNets(2015) – 何凯明(和其他人)开发的残差网络是2015年 ILSVRC 的冠军。ResNets 是迄今为止最先进的卷积神经网络模型,并且是大家在实践中使用卷积神经网络的默认选择(截至2016年5月)。
DenseNet(2016年8月) – 最近由黄高等人发表,密集连接卷积网络的每一层都以前馈方式直接连接到其他层。 DenseNet 已经在五项竞争激烈的对象识别基准测试任务中证明自己比之前最先进的框架有了显着的改进。……

阅读更多

   
 
 

深度学习的编程工具Tensorflow

TensorFlow™是一个基于数据流编程(dataflow programming)的符号数学系统,被广泛应用于各类机器学习(machine learning)算法的编程实现,其前身是谷歌的神经网络算法库DistBelief。……

阅读更多

深度学习(卷积神经网络LENET)

Lenet 是一系列网络的合称,包括 Lenet1 – Lenet5,由 Yann LeCun 等人在 1990 年《Handwritten Digit Recognition with a Back-Propagation Network》中提出,是卷积神经网络的 HelloWorld。……

阅读更多

   
 
 

深度学习(自编码器AutoEncoder)

自编码器是用于无监督学习,高效编码的神经网络,自动编码器的目的就在于,学习一组数据的编码,通常用于数据的降维,自编码是一种无监督的算法,网络分为:输入层,隐藏层(编码层),解码层,该网络的目的在于重构输入,使其隐藏层的数据表示更加好,利用了反向传播,将输入值和目标值设置一样,就可以不断的进行迭代训练。……

阅读更多