Há boas razões para entrar no aprendizado profundo: o aprendizado profundo tem superado as respectivas técnicas “clássicas” em áreas como reconhecimento de imagens e processamento de linguagem pure há algum tempo, e tem o potencial de trazer informações interessantes até a análise de dados tabulares. Para muitos usuários de R interessados em aprendizado profundo, o obstáculo não é tanto os pré -requisitos matemáticos (como muitos têm experiência em estatística ou ciências empíricas), mas como começar de uma maneira eficiente.
Este submit fornecerá uma visão geral de alguns materiais que devem ser úteis. No caso de você não ter esse histórico de estatísticas ou similares, também apresentaremos alguns recursos úteis para acompanhar “The Math”.
Tutoriais de Keras
A maneira mais fácil de começar é usar a API Keras. É uma maneira de alto nível e declarativo (na sensação) de especificar um modelo, treinando e testando-o, originalmente desenvolvido em Python por Francois Chollet e portado para R por JJ Allaire.
Confira os tutoriais no Website Keras: Eles introduzem tarefas básicas como classificação e regressão, bem como elementos básicos de fluxo de trabalho, como salvar e restaurar modelos ou avaliar o desempenho do modelo.
Classificação básica você começa a fazer classificação de imagem usando o Moda mnist conjunto de dados.
Classificação de texto Mostra como fazer análises de sentimentos sobre críticas de filmes e inclui o tópico importante de como pré -processar o texto para o aprendizado profundo.
Regressão básica Demonstra a tarefa de prever uma variável contínua pelo exemplo do famoso conjunto de dados de habitação de Boston que é enviado com Keras.
Excedente de ajuste e subjuste Explica como você pode avaliar se o seu modelo está sub ou mais ajustado e quais remédios para tomar.
Por último, mas não menos importante, Salvar e restaurar modelos Mostra como economizar pontos de verificação durante e após o treinamento, para que você não perca os frutos do trabalho da rede.
Depois de ver o básico, o web site também possui informações mais avançadas sobre a implementação da lógica personalizada, o monitoramento e o ajuste, além de usar e adaptar modelos pré-treinados.
Vídeos e livro
Se você quer um pouco mais conceitual, o Aprendizado profundo com r em movimento A série de vídeos fornece uma boa introdução aos conceitos básicos de aprendizado de máquina e aprendizado profundo, incluindo coisas muitas vezes dadas como garantidas, como derivativos e gradientes.
Os 2 primeiros componentes da série de vídeos (Começando e o Estudo de caso Mnist) são gratuitos. O restante dos vídeos introduz diferentes arquiteturas de rede neural por meio de estudos de caso detalhados.
A série é um companheiro para o Aprendizado profundo com r Livro de François Chollet e JJ Allaire. Como os vídeos, o livro possui excelentes explicações de alto nível dos conceitos de aprendizado profundo. Ao mesmo tempo, ele contém muitos códigos prontos para uso, apresentando exemplos para todos os principais arquiteturas e casos de uso (incluindo coisas sofisticadas, como autoencoders e gans variacionais).
Inspiração
Se você não está buscando um objetivo específico, mas em geral curioso sobre o que pode ser feito com o aprendizado profundo, um bom lugar a seguir é o Tensorflow para r weblog. Lá, você encontrará aplicações de aprendizado profundo para os negócios, bem como tarefas científicas, bem como exposições e introduções técnicas a novos recursos.
Além disso, o Tensorflow para G Gallery destaca vários estudos de caso que se mostraram especialmente úteis para começar em várias áreas de aplicação.
Realidade
Uma vez que as idéias estiverem lá, a realização deve seguir, e para a maioria de nós a pergunta será: onde posso realmente trem Esse modelo? Assim que imagens do mundo actual estão envolvidas ou outros tipos de dados de alta dimensão, você precisará de uma GPU moderna de alto desempenho, para que o treinamento no seu laptop computer não seja mais uma opção.
Existem algumas maneiras diferentes de treinar na nuvem:
Mais fundo
Se você não tem um fundo muito “matemático”, pode sentir que gostaria de complementar a abordagem focada em conceitos de Aprendizado profundo com r Com um básico um pouco mais de nível baixo (assim como algumas pessoas sentem a necessidade de conhecer pelo menos um pouco de C ou montador ao aprender um idioma de alto nível).
Recomendações pessoais para esses casos incluiriam Andrew Ng’s Especialização profunda da aprendizagem em Coursera (os vídeos são gratuitos para assistir), e o (s) livro (s) e palestras gravadas em álgebra linear por Gilbert Strang.
Obviamente, a referência last sobre aprendizado profundo, a partir de hoje, é o Aprendizado profundo Livro didático de Ian Goodfellow, Yoshua Bengio e Aaron Courville. O livro abrange tudo, desde o fundo da álgebra linear, teoria de probabilidade e otimização por meio de arquiteturas básicas, como CNNs ou RNNs, para modelos não supervisionados na fronteira da pesquisa mais recente.
Obtendo ajuda
Por último, você deve encontrar problemas com o software program (ou com o mapeamento de sua tarefa para o código executável), uma boa idéia é criar um problema do GitHub no respectivo repositório, por exemplo, RSTUDIO/KERAS.
Boa sorte para sua jornada de aprendizado profundo com r!