Почему бы не почитать классику, типа cs231?

Почему бы не почитать классику, типа cs231?

+

Почему бы не почитать классику, типа cs231?

не знал. пасиб. гляну

-Кто ты если не сеньор? -филантроп, создатель чата и самого крупного списка чатов на гитхабе, сосоздатель крутого подкаста, дата сайнтист, плейбой

а можно ссылочку на подкаст?

а можно ссылочку на подкаст?

Котики кодят

https://medium.com/@andrewng/deeplearning-ai-announcing-new-deep-learning-courses-on-coursera-43af0a368116

deeplearning.ai: Announcing new Deep Learning courses on Coursera

Котики кодят

Спасибо

deeplearning.ai: Announcing new Deep Learning courses on Coursera

Кто не знает, он также пишет книгу: http://www.mlyearning.org

Да сколько можно-то уже, а?!

Спасибо

Это была не шутка?

однако... а книга то хорошая анонсирована

подписался, спасибо

https://www.coursera.org/learn/neural-networks-deep-learning

Мягко говоря это подарок

При всём уважении, Нетологии еще учиться и учиться вот этому. А тут еще и бесплатно, считай

?

? Ладно, тогда я сам. В этой публикации в деталях описано возникновение и эволюция идеи Deep Learning. Очень интересно

O.o https://tenso.rs/

кто трогал?

редиректнуло на http://block.naukanet.ru/, недоверенный сертификат

TensorFire runs neural networks in the browser using WebGL.

У меня заходит

не должно редиректить, у вас провайдер плохой

нейросети из браузера через webgl

не должно редиректить, у вас провайдер плохой

+

>Real-time image classification Coming 8/7 Чего-то опаздывают уже

Я решила послушать курс от Andrew Ng на курсере про машинное обучение, освежить теорию и попробовать Octave. И мне не затащить одно задание на код. Оно очевидное вроде бы, и кстати необязательное, но оно мозолит мне глаза и заставляет сомневаться в своей адекватности. Насколько легально будет кинуть сюда 3 строчки кода и спросить, что не так?)

Вообще это запрещено правилами курса, но меня больше интересует, есть ли здесь те, кто знает Octave Я вряд ли кому-то помогу этим кодом

скидывай код, постараюсь помочь, хоть и давно не брал я шашек в руки=)

Надо нормализовать фичи X дан на вход, все 3 переменные надо отдать на выход mu = mean(X); sigma = std(X); X_norm = (X - mu) / sigma;

Я не знаю, что может тут пойти не так, но все задания до этого и - неожиданно - после этого я сдала (неожиданно, так как этот код по идее используется, а мне его не засчитали)

Это стандартизация

Нормализация - перевод в интервал [0, 1]

Нормализация - перевод в интервал [0, 1]

x - min(x)/(max(x)-min(x)) Вот так?

Оно!

% Instructions: First, for each feature dimension, compute the mean % of the feature and subtract it from the dataset, % storing the mean value in mu. Next, compute the % standard deviation of each feature and divide % each feature by it's standard deviation, storing % the standard deviation in sigma.

это было дано к заданию просто я подумала, что их должно устроить и еще вот это % Hint: You might find the 'mean' and 'std' functions useful.

сейчас попробую закодить с мин и макс, ну мало ли но вообще странная история

>for each feature dimension может их там несколько, ты вроде по одной делаешь?

Octave вроде умный и делает сразу для всех

Из того, что я прочла в документации и посмотрела на маленьких примерах в консольке

Но я тоже думаю больше на что-то вот такое

оу, я думал это пайтон

Я вот не знаю, как там векторизация работает

Может, есть какой-то вариант apply

а какой shape у Х?

mean(массив, 1 или 2 в зависимости от того, по строкам или по столбцам считать)

Как в R почти?

а какой shape у Х?

в теории любой ну давайте скажем, что столбцов от 2 до 50 строчек от 100 до 1000

ERROR: S client not available

тоесть возвращает он тебе тоже матрицы, я не уверен что (X - mu) правильно их вычтет

ты вызовом функции получишь вектор или столбец

хотя кто его, этот октав, знает

тоесть возвращает он тебе тоже матрицы, я не уверен что (X - mu) правильно их вычтет

нормально вычтет, по мат.правилам

питон вот не сможет, я бы проверил, в общем

Надо нормализовать фичи X дан на вход, все 3 переменные надо отдать на выход mu = mean(X); sigma = std(X); X_norm = (X - mu) / sigma;

я думаю ошибка в делении

он находит обратную матрицу и домножает на неё

./ попробуй

./ попробуй

BINGO

спасибо огромное!

да не за что

посоны, посоны

я теперь понял, зачем надо обновляться на Ubuntu 17.04

знаете, как здесь caffe ставится? sudo apt install caffe-cuda

и сразу с третьим питоном

а snap ? ?

oh snap

ну так то снап, а то apt install

но да, убунта она такая

удобная

Так можно же через конду поставить так-же в одну команду

конда для поиграться локально только

когда надо деплоить - никуда

#полезное #machinelearning #datascience #подборка Ресурсы по Machine Learning специальная подборка полезных ресурсов для сообщества @bigdata_ru 1. Обзорная статья в Nature Research от Яна Лекуна, директора AI Research в Facebook и профессора Нью-Йоркского университета. (в соавторстве с Йошуа Бенджио и Джеффри Хинтононом и большим списком полезной литературы. scholar.google.com/citations?citation_for_view=WLN3QrAAAAAJ%3Alo0OIn9KAZgC&hl=en&user=WLN3QrAAAAAJ&view_op=view_citation 2. Книга Глубокое обучение, написанная Яном Гудфеллоу, Йошуа Бенджио и Аароном Курвиллем. на-английском: www.deeplearningbook.org на-русском: dmkpress.com/catalog/computer/data/978-5-97060-554-7 3. Серия из 8 лекций, которые Ян Лекун дал в Collège de France в Париже. Лекции преподавались на французском и позже были переведены на английский язык. Оригинал (fr): www.college-de-france.fr/site/yann-lecun/ Перевод (eng): www.college-de-france.fr/site/en-yann-lecun/index.htm 4. Курс Coursera по нейронным сетям Джеффа Хинтона. www.coursera.org/learn/neural-networks 5. Лекции из Летней школы IPAM 2012. www.ipam.ucla.edu/programs/summer-schools/graduate-summer-school-deep-learning-feature-learning/?tab=schedule 6. Курс по Deep Learning в Нью-Йоркском университете. (Этот же курс прошел снова, но уже весной 2017 года). cilvr.nyu.edu/doku.php?id=deeplearning2015%3Aschedule 7. Летняя школа глубокого обучения 2015 года. videolectures.net/deeplearning2015_montreal/