Cómo empezar rápidamente con el aprendizaje profundo

El aprendizaje profundo es una dirección de investigación integral. Actualmente, la mayoría de los estudiantes de posgrado están estudiando esto, incluido yo. Mi campo de investigación es el reconocimiento de imágenes, incluida la clasificación de imágenes, el reconocimiento de objetivos, el posicionamiento de objetos y la migración. .

Volviendo al tema, ¿cómo aprender el aprendizaje profundo? En primer lugar, el aprendizaje profundo es una rama del aprendizaje automático que se divide en aprendizaje supervisado, aprendizaje no supervisado, aprendizaje por refuerzo y aprendizaje semisupervisado. y aprendizaje profundo.

Para aprender el aprendizaje profundo, primero debe aprender el aprendizaje automático. Para aprender el aprendizaje automático, primero debe reservar conocimientos matemáticos avanzados, álgebra lineal y conocimientos básicos de matemáticas estadísticas. Máxima prioridad. Se lo recomiendo a todos. Puede leer los "Métodos de aprendizaje estadístico" del profesor Li Mu. Se recomienda leer "Métodos de aprendizaje estadístico" del Sr. Li Mu para aprender conocimientos como la distribución de probabilidad y la ley de los grandes números.

El aprendizaje automático requiere aprendizaje supervisado, incluida la regresión lineal, la regresión logística, el descenso de gradiente y otros métodos para reducir la función de costos. El aprendizaje no supervisado incluye agrupación en clústeres, máquinas de vectores de soporte y redes neuronales. Recomiendo aquí el aprendizaje automático del Sr. Andrew Ng, que es fácil de entender y propicio para el aprendizaje de principiantes.

Después de estudiar el contenido anterior, puede comenzar a aprender el aprendizaje profundo. Aprenda el aprendizaje profundo. El aprendizaje profundo utiliza principalmente redes neuronales para resolver problemas. Las redes neuronales convolucionales se utilizan para el reconocimiento de imágenes. para el procesamiento del lenguaje natural. Recomiendo a todos que lean el aprendizaje en profundidad del profesor Ng Enda aquí y se aseguren de responder las preguntas de programación después de la escuela, que deben responder usando Python.

Después de aprender los conocimientos teóricos, es necesario aprender el marco de aprendizaje profundo: Pytorch ha sido utilizado cada vez por más personas en los últimos años. Para el reconocimiento de imágenes, también necesitas aprender opencv.