kemomi / Deeplearning

deeplearning,零基础实践深度学习

Deeplearning

deeplearning,零基础实践深度学习

描述

1. 加入社群组队学习，获取更多福利⬇️

2. 课程github：deeplearning

有任何疑问可以在github项目中提issue，第一时间回复 https://github.com/kemomi/DeepLearning/issue

前置知识

具备一定的Python编码能力，推荐《Python编程 从入门到实践》；

具备初步的机器学习和深度学习的理论知识，推荐配套课程《机器学习的思考故事》。

目标

【动手实践】，掌握深度学习模型的【程序研发】；

【深度学习理论知识】 和 【应用方法论】。

大纲

课程前言

第一章：零基础入门深度学习

第二章：一个案例吃透深度学习

第三章：深度学习实践应用——计算机视觉

第四章：目标检测YoloV3

第五章：深度学习实践应用——自然语言处理

第六章：情感分类

第七章：深度学习实践应用——推荐系统

第八章：深度学习高阶导入

拓展：【AI实战案例项目集】

参考资料

1.什么是机器学习

机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。目前机器学习主要应用在以下场景：

营销类场景：商品推荐、用户群体画像或广告精准投放。 金融类场景：贷款发放预测、金融风险控制、股票走势预测或黄金价格预测。 社交网络服务关系挖掘场景：微博粉丝领袖分析或社交关系链分析。 文本类场景：新闻分类、关键词提取、文章摘要或文本内容分析。 非结构化数据处理场景：图片分类或图片文本内容提取。 其它各类预测场景：降雨预测或足球比赛结果预测。

机器学习包括传统机器学习和深度学习。传统机器学习分为以下几类：

有监督学习（Supervised Learning）：每个样本都有对应的期望值，通过搭建模型，实现从输入特征向量到目标值的映射。例如解决回归和分类问题。 无监督学习（Unsupervised Learning）：所有样本没有目标值，期望从数据本身发现一些潜在规律。例如解决聚类问题。 增强学习（Reinforcement Learning）：相对比较复杂，系统和外界环境不断交互，根据外界反馈决定自身行为，达到目标最优化。例如阿尔法围棋和无人驾驶

2.AI开发名词

名词	描述
数据集（DataSet）	用于标注、训练、分析等的数据集合，支持您将存储在OSS、NAS、MaxCompute等存储介质中的结构化、非结构化数据或目录注册为数据集。同时，PAI支持统一管理数据集的存储、版本、数据结构等信息。
模型（Model）	模型是您基于数据集和算法代码通过训练任务产出的结果，可以预测新数据。
工作流草稿（PipelineDraft）	您在Designer画布上操作的编辑状态的工作流对象，支持重复编辑生成不同的Pipeline。PipelineDraft提交运行生成PipelineRun。
工作流快照（SnapShot）	PipelineDraft每次运行（包括完整运行、单节点运行、部分节点运行）时会记录完整PipelineDraft的配置信息，包括节点配置、运行参数、执行方式等，可以用于PipelineDraft的版本记录及配置回滚。
工作流任务（PipelineRun）	一次工作流的任务执行。您可以通过Designer提交PipelineDraft运行，或通过SDK直接提交Pipeline运行，生成一个PipelineRun。