========== 3 grandes cursos extraordinarios ==========
CS229: Aprendizaje Automático – Stanford
CS231n: Redes neuronales convolucionales para reconocimiento visual – Stanford
CS224n: Procesamiento de lenguaje natural con aprendizaje profundo – Stanford
Nota: Si estudia los materiales, las diapositivas y las tareas, definitivamente obtendrá una gran experiencia a un nivel profundo. En mi humilde opinión, estos materiales son los mejores en comparación con otras universidades. Para las tareas, si no está seguro, puede buscar una solución en GitHub, porque estos cursos son los más conocidos.
Suplemento * cursos cortos * para los 3 cursos anteriores, que me parecieron bastante rápidos de aprender:
CS109: Probabilidad para informáticos – Stanford
Curso 3 Proyectos de Aprendizaje Estructurado de Máquina – Coursera – Experiencia industrial que le enseña a evitar dificultades y cómo depurar, reducir errores. Este es un * must * have si desea escribir una buena aplicación de Deep Learning.
12a: Redes neuronales: apoyo trasero mano a mano, muy útil para principiantes
12b: Deep Neural Nets – gran demostración intuitiva en Neural Net también, que no encuentro en ningún otro curso (por eso lo coloco aquí)
Si te gusta perfeccionar tu habilidad matemática, marca esta respuesta
La respuesta de Minh Phan a ¿Qué matemáticas se requieren para comenzar los cursos de aprendizaje automático?
Actualizar
==== Prácticas de codificación y comprensión de alto nivel ===
La mejor manera de saber cómo funcionan las cosas es ensuciarse las manos: ¡Codificación! Keras tiene los mejores tutoriales en comparación con todos los demás marcos. Usted debe comprobar esto. Estoy seguro de que tendrás una gran confianza después de aprender todos estos tutoriales.
Fast.ai – Por un Kaggler superior, utilizando Keras. Su explicación es fantástica con la asombrosa experiencia probada de los modelos de aprendizaje profundo de tuning.
==== Otros cursos agradables que no querrás revisar (demasiado largos) ===
Cursos colectivos en GitHub.
Aprendizaje profundo para el procesamiento del lenguaje natural: 2016-2017 – Oxford
El curso cubrirá una gama de aplicaciones de redes neuronales en PNL, incluyendo
- analizando dimensiones latentes en texto,
- transcribiendo discurso a texto,
- traduciendo entre idiomas, y
- respondiendo preguntas.
Estos temas se organizarán en tres temas de alto nivel formando una progresión desde
- entender el uso de las redes neuronales para el modelado secuencial del lenguaje,
- para comprender su uso como modelos de lenguaje condicional para tareas de transducción, y finalmente para
- enfoques que emplean estas técnicas en combinación con otros mecanismos para aplicaciones avanzadas.
- A lo largo del curso también se tratará la implementación práctica de dichos modelos en CPU y hardware de GPU.
Phil Blunsom dirigirá este curso y lo impartirá en colaboración con el Grupo de Investigación de Lenguaje Natural DeepMind. Ejemplos de profesores incluyen:
- Phil Blunsom (Universidad de Oxford y DeepMind)
- Chris Dyer (Carnegie Mellon University y DeepMind)
- Edward Grefenstette (DeepMind)
- Karl Moritz Hermann (DeepMind)
- Andrew Senior (DeepMind)
- Wang Ling (DeepMind)
- Jeremy Appleyard (NVIDIA)
Los resultados del aprendizaje
Después de estudiar este curso, los estudiantes:
- Comprender la definición de una gama de modelos de redes neuronales;
- Ser capaz de derivar e implementar algoritmos de optimización para estos modelos.
- Comprenda las implementaciones neuronales de los mecanismos de atención y los modelos de integración de secuencias y cómo estos componentes modulares se pueden combinar para construir sistemas de PNL de vanguardia.
- Tenga conocimiento de los problemas de hardware inherentes a la implementación de modelos de redes neuronales escalables para datos de idioma.
- Ser capaz de implementar y evaluar modelos comunes de redes neuronales para el lenguaje.
CS221: Inteligencia Artificial: Principios y Técnicas – Stanford
De que trata este curso?
¿Qué tienen en común la búsqueda web, el reconocimiento de voz, el reconocimiento facial, la traducción automática, la conducción autónoma y la programación automática? Todos estos son problemas complejos del mundo real, y el objetivo de la inteligencia artificial (IA) es abordarlos con herramientas matemáticas rigurosas. En este curso, aprenderá los principios fundamentales que impulsan estas aplicaciones y practicará la implementación de algunos de estos sistemas. Temas específicos incluyen
- aprendizaje automático,
- buscar,
- jugando juego,
- Procesos de decisión de Markov,
- satisfacción de la restricción,
- modelos graficos, y
- lógica.
El objetivo principal del curso es equiparlo con las herramientas para abordar los nuevos problemas de IA que pueda encontrar en la vida.
CSC411: Aprendizaje automático y minería de datos (invierno 2017) – Universidad de Toronto
Este curso sirve como una amplia introducción a
- aprendizaje automático y
- minería de datos.
Cubriremos los fundamentos de
- supervisado y
- aprendizaje sin supervisión.
Nos centraremos en
- Redes neuronales,
- Métodos de gradiente de políticas en el aprendizaje por refuerzo.
Usamos la pila Python NumPy / SciPy.
Los estudiantes deben sentirse cómodos con el cálculo, la probabilidad y el álgebra lineal.
Aquí está (aproximadamente) las matemáticas que necesita para este curso.
- Álgebra lineal:
- vectores:
- el producto punto,
- norma de vectores
- Suma de vectores;
- Matrices: multiplicación de matrices.
Cálculo:
- derivadas, derivadas según la pendiente de la función;
- integrales
Probabilidad:
- variables aleatorias,
- expectativa,
- independencia.
Se necesitarán otros temas, pero no son parte de los requisitos previos, por lo que les dedicaré una cantidad adecuada de tiempo de clase.
CS 189 Introducción al aprendizaje automático – Universidad de California, Berkeley por el profesor Anant Sahai
CS 189 / 289A – Introducción al aprendizaje automático – Universidad de California, Berkeley por Jonathan Shewchuk
Esta clase introduce algoritmos para el aprendizaje , que constituyen una parte importante de la inteligencia artificial.
Los temas incluyen
- clasificación:
- perceptrones,
- máquinas de vectores de soporte (SVM),
- Análisis discriminante gaussiano (incluido el análisis discriminante lineal,
- LDA, y
- análisis discriminante cuadrático, QDA),
- Regresión logística,
- árboles de decisión,
- Redes neuronales,
- redes neuronales convolucionales,
- búsqueda de vecinos más cercanos;
regresión:
- regresión lineal de mínimos cuadrados,
- Regresión logística,
- regresión polinomial,
- regresión de cresta,
- Lazo;
estimación de densidad: estimación de máxima verosimilitud (MLE);
reducción de dimensionalidad:
- análisis de componentes principales (PCA),
- proyección aleatoria,
- análisis factorial latente; y
agrupamiento
- k significa medios de agrupamiento,
- agrupación jerárquica,
- agrupación espectral del gráfico.
IFT6266 H-2016 Aprendizaje profundo – Université de Montréal (Yoshua Bengio )
Este es un curso sobre aprendizaje de representación en general y aprendizaje profundo en particular. El aprendizaje profundo ha sido recientemente responsable de un gran número de impresionantes logros empíricos en una amplia gama de aplicaciones, que incluyen la detección y reconocimiento de objetos en imágenes y reconocimiento de voz.
En este curso exploraremos tanto el
- fundamentos y
- Avances recientes en el área de aprendizaje profundo.
Nuestro enfoque será en modelos de redes neuronales que incluyen
- redes neuronales convolucionales y
- Redes neuronales recurrentes como la LSTM.
También consideraremos algunos modelos gráficos probabilísticos, incluidos los modelos no dirigidos como el
- Máquinas de Boltzmann y
- Modelos dirigidos que recientemente se han mostrado prometedores.
11-785 Introducción al Aprendizaje Profundo – Universidad Carnegie Mellon
En este curso, aprenderemos los conceptos básicos de las redes neuronales profundas y sus aplicaciones para diversas tareas de IA.
Al final del curso, se espera que los estudiantes
- Tendrá una importante familiaridad con el tema, y
- Para poder aplicarles a una variedad de tareas.
- También estarán en posición de comprender gran parte de la literatura actual sobre el tema y ampliar su conocimiento a través de un estudio adicional.
Prerrequisitos
- Vamos a utilizar uno de varios kits de herramientas. Las herramientas están en gran parte programadas en
Deberá poder programar en al menos uno de estos idiomas.
Alternativamente, usted será responsable de encontrar y aprender un conjunto de herramientas que requiera la programación en un lenguaje con el que se sienta cómodo.
Necesitarás familiaridad con
- diferenciación,
- cadena de reglas),
álgebra lineal y
probabilidad básica
Aprendizaje automático: 2014-2015 – Oxford
El curso se centra en el apasionante campo del aprendizaje profundo. Al inspirarse en la neurociencia y las estadísticas, introduce los antecedentes básicos de las redes neuronales, la propagación hacia atrás, las máquinas de Boltzmann, los autocodificadores, las redes neuronales convolucionales y las redes neuronales recurrentes. Ilustra cómo el aprendizaje profundo está afectando nuestra comprensión de la inteligencia y contribuyendo al diseño práctico de máquinas inteligentes.
Los resultados del aprendizaje
Al finalizar el curso se espera que los estudiantes:
- Comprenda qué es lo que está aprendiendo y por qué es esencial para el diseño de máquinas inteligentes.
- Sepa cómo ajustar modelos a los datos.
- Comprender computación numérica, estadística y optimización en el contexto de aprendizaje.
- Tenga una buena comprensión de los problemas que surgen cuando se trata de conjuntos de datos muy pequeños y muy grandes, y cómo resolverlos.
- Comprender las matemáticas básicas necesarias para construir soluciones de aprendizaje automático novedosas.
- Ser capaz de diseñar e implementar varios algoritmos de aprendizaje automático en una amplia gama de aplicaciones del mundo real.
- Comprenda los antecedentes del aprendizaje profundo y sea capaz de implementar modelos de aprendizaje profundo para el lenguaje, la visión, el habla, la toma de decisiones y más.
CSC2523 Deep Learning in Computer Vision – Universidad de Toronto
Esta clase es un seminario de posgrado en visión computacional. La clase cubrirá un conjunto diverso de temas en
- Visión por ordenador y
- Varias arquitecturas de redes neuronales.
Será un curso interactivo en el que discutiremos temas interesantes a pedido y los últimos comentarios de investigación.
El objetivo de la clase es
- aprender sobre diferentes dominios de la visión,
- comprender, identificar y analizar los principales desafíos, qué funciona y qué no, así como para
- Identificar nuevas direcciones interesantes para futuras investigaciones.
Requisitos previos: los cursos de visión por computadora y / o aprendizaje automático (por ejemplo, CSC320, CSC420, CSC411) son altamente recomendados (de lo contrario, necesitará alguna lectura adicional), y se requieren habilidades básicas de programación para los proyectos.
Software:
- Caffe: Aprendizaje profundo para la clasificación de imágenes.
- Tensorflow: biblioteca de software de código abierto para Machine Intelligence (buen software para aprendizaje profundo)
- Theano: biblioteca de aprendizaje profundo
- mxnet: biblioteca de aprendizaje profundo
- Antorcha: marco de computación científica con amplio soporte para algoritmos de aprendizaje automático
- LIBSVM: Una biblioteca para máquinas de vectores de soporte (Matlab, Python)
- scikit: Aprendizaje de máquina en Python
CS224S / LINGUIST285 – Procesamiento de lenguaje hablado – Stanford
Introducción a la * tecnología del lenguaje hablado * con énfasis en el diálogo y los sistemas de conversación.
- Reconocimiento de voz automático,
- síntesis de voz
- gestión del diálogo,
- y aplicaciones para asistentes digitales, búsqueda y sistemas de comprensión del lenguaje hablado.
- Cubre los enfoques más modernos basados en el aprendizaje profundo y los métodos tradicionales.
A través de conferencias, asignaciones de programación y un proyecto del curso, los estudiantes aprenderán los conceptos y los detalles de la aplicación para construir sistemas modernos para el procesamiento del lenguaje hablado.
Teorías del Aprendizaje Profundo (STATS 385) – Stanford
Los espectaculares éxitos recientes del aprendizaje profundo son puramente empíricos. Sin embargo los intelectuales siempre intentan explicar importantes desarrollos teóricamente.
En este curso de literatura repasaremos el trabajo reciente de Bruna y Mallat, Mhaskar y Poggio, Papyan y Elad, Bolcskei y coautores, Baraniuk y coautores, y otros,
- buscando construir marcos teóricos que deriven profundas redes como consecuencia.
- Después de las conferencias iniciales, tendremos algunos de los autores presentando conferencias sobre trabajos específicos. Este curso se reúne una vez por semana.
CSE 599G1: Sistema de aprendizaje profundo – Universidad de Washington
Estaremos cubriendo varios aspectos de los sistemas de aprendizaje profundo, incluyendo:
- conceptos básicos del aprendizaje profundo,
- Modelos de programación para expresar modelos de aprendizaje automático.
- diferenciación automática,
- optimización de la memoria,
- programación,
- aprendizaje distribuido,
- aceleracion de hardware,
- lenguajes específicos del dominio,
- y modelo de servicio.
Muchos de estos temas se cruzan con las direcciones de investigación existentes en
- bases de datos,
- sistemas y redes,
- arquitectura y
- lenguajes de programación.
La meta es
- ofrecer una imagen completa de cómo funcionan los sistemas de aprendizaje profundo,
- discutir y ejecutar posibles oportunidades de investigación, y
- construir software de código abierto que tendrá un gran atractivo.
Tendremos
- Dos clases por semana.
- Cada semana tendrá una conferencia.
- Otra clase será de laboratorio / discusión de la sesión o conferencias invitadas.
- Cada conferencia estudiará un aspecto específico de los sistemas de aprendizaje profundo.
La sesión de laboratorio / discusión será
- Contiene tutoriales para implementar ese aspecto específico y será
- incluir estudios de caso de sistemas existentes, tales como
- Tensor de flujo,
- Caffe
- Mxnet,
- PyTorch,
- y otros.
6.867 Aprendizaje Automático – MIT
6.867 es un curso introductorio sobre aprendizaje automático que ofrece una visión general de muchos conceptos, técnicas y algoritmos en el aprendizaje automático, comenzando con temas como
- clasificación y
- Regresión lineal y terminando con temas más recientes como
- impulsando
- máquinas de vectores de apoyo,
- modelos ocultos de Markov, y
- Redes bayesianas.
El curso le dará al alumno.
- Las ideas básicas y la intuición detrás de los métodos modernos de aprendizaje automático, así como un poco.
- Una comprensión más formal de cómo, por qué y cuándo funcionan.
El tema subyacente en el curso es la inferencia estadística, ya que proporciona la base para la mayoría de los métodos cubiertos.
Núcleo duro, pero genial si te gusta la teoría y quieres investigar, etc.
CS20I Tensorflow para Deep Learning Research – Stanford
Tensorflow es
- una potente biblioteca de software de código abierto para aprendizaje automático desarrollada por investigadores de Google Brain.
- Tiene muchas funciones pre-construidas para facilitar la tarea de construir diferentes redes neuronales.
Tensorflow permite
- Distribución de cómputo entre diferentes computadoras,
- así como múltiples CPU y GPU dentro de una sola máquina.
- TensorFlow proporciona una API de Python, así como una API de C ++ menos documentada.
Para este curso, estaremos usando Python.
Este curso cubrirá la
- fundamentos y
- Uso contemporáneo de la biblioteca Tensorflow para la investigación de aprendizaje profundo.
Nuestro objetivo es ayudar a los estudiantes a entender
- El modelo gráfico computacional de Tensorflow,
- explorar las funciones que tiene para ofrecer, y
- aprender como
- construir y
- Modelos de estructuras más adecuados para un proyecto de aprendizaje profundo.
A través del curso, los estudiantes usarán Tensorflow para construir modelos de diferente complejidad, desde
- regresión lineal / logística simple a
- red neuronal convolucional y
- redes neuronales recurrentes con
- LSTM para resolver tareas tales como
- incrustaciones de palabras,
- traducción,
- reconocimiento óptico de caracteres.
Los estudiantes también aprenderán las mejores prácticas para
- estructurar un modelo y
- Gestionar experimentos de investigación.
Cursos de aprendizaje automático – Universidad de Toronto
Introducción al Aprendizaje Automático – Carnegie Mellon University
CS287: Procesamiento de lenguaje natural – Harvard
CS 294: Aprendizaje de refuerzo profundo – Universidad de California, Berkeley
Aprendiendo de los datos MOOC – Caltech
CS224U: Entendimiento del lenguaje natural – Stanford
11-785 Introducción al Aprendizaje Profundo – Universidad Carnegie Mellon
COS424: Interactuando con Datos – Princeton
Estadísticas 202: Minería de datos y análisis – Stanford
Aprendizaje automático de estadísticas, primavera de 2012 – Universidad de Massachusetts Amherst
Aprendizaje de máquina estadística: Primavera 2017 – Carnegie Mellon
Predicción: Aprendizaje Automático y Estadística – MIT
Experimentos computacionales masivos, sin dolor (ESTADÍSTICAS 285) – Stanford
La ambiciosa ciencia de datos requiere una experimentación computacional masiva; El boleto de entrada para un doctorado sólido en algunos campos ahora es para realizar experimentos que involucran 1 millón de horas de CPU.
Este curso cubre prácticas de vanguardia para realizar experimentos computacionales masivos en la nube de una manera fácil y reproducible.
Además de brindar a los estudiantes una experiencia práctica con la computación en grupo, el curso presenta varias conferencias invitadas por científicos de renombre en el campo de la ciencia de datos.
Teorías del Aprendizaje Profundo (STATS 385) – Stanford
Los espectaculares éxitos recientes del aprendizaje profundo son puramente empíricos. Sin embargo los intelectuales siempre intentan explicar importantes desarrollos teóricamente.
En este curso de literatura, revisaremos el trabajo reciente de Bruna y Mallat, Mhaskar y Poggio, Papyan y Elad, Bolcskei y coautores, Baraniuk y coautores, y otros, buscando construir marcos teóricos que deriven profundas redes como consecuencias.
Después de las conferencias iniciales, tendremos algunos de los autores presentando conferencias sobre trabajos específicos.
Data Science 101 – Stanford
El curso proporciona
- Una sólida introducción a la ciencia de datos, tanto
- Exponer a los estudiantes a herramientas computacionales que pueden usar proficentemente para
- analizar datos y
- Explorando los desafíos conceptuales del razonamiento inferencial.
Cada módulo / semana representa una nueva
- “Aventura de datos”
- analizando conjuntos de datos reales,
- explorando diferentes preguntas y
- probando herramientas
Habrá tres conferencias tradicionales por semana y dos laboratorios con la participación activa de los estudiantes. El análisis de los datos y los cálculos se llevarán a cabo en R, un idioma que se presentará durante el curso. No hay requisito previo de cálculo. Las notas de clase, los conjuntos de datos y las rebajas de laboratorio estarán disponibles a través de la página web de la clase. Material de lectura adicional y referencias estarán disponibles. Habrá una tarea semanal y un examen final en clase.
Stats101 es un curso nuevo y, como tal, no aparece en las listas de clases requeridas para las especializaciones. El departamento de estadísticas cree que los materiales en Stats101 cubren los temas que tradicionalmente se enseñan en Stats60. Si su especialización requiere Stats60, le invitamos a consultar a sus asesores si se puede aceptar Stats101 como sustituto.
