Sepanjang masa dewasa saya, saya telah menjadi minuman energi (tidak, sekarang kita tidak berbicara tentang minuman dengan khasiat yang meragukan).
Saya tidak pernah terlalu tertarik dengan dunia teknologi informasi, bahkan saya hampir tidak bisa mengalikan matriks di selembar kertas. Dan saya tidak pernah membutuhkan ini, agar Anda memahami sedikit tentang spesifik pekerjaan saya, saya dapat berbagi cerita yang luar biasa. Saya pernah meminta rekan-rekan saya untuk mengerjakan pekerjaan di spreadsheet Excel, setengah hari kerja telah berlalu, saya mendatangi mereka, dan mereka duduk dan menjumlahkan data di kalkulator, ya, di kalkulator hitam biasa dengan tombol. Nah, jaringan saraf seperti apa yang bisa kita bicarakan setelah ini?.. Oleh karena itu, saya tidak pernah memiliki prasyarat khusus untuk terjun ke dunia IT. Namun, seperti yang mereka katakan, “di tempat kita tidak berada, itu baik,” teman-teman saya mendengarkan tentang augmented reality, tentang jaringan saraf, tentang bahasa pemrograman (terutama tentang Python).
Secara kata-kata, ini terlihat sangat sederhana, dan saya memutuskan mengapa tidak menguasai seni magis ini untuk menerapkannya dalam bidang aktivitas saya.
Pada artikel ini, saya akan melewatkan upaya saya untuk menguasai dasar-dasar Python dan berbagi dengan Anda kesan saya tentang kursus TensorFlow gratis dari Udacity.
pengenalan
Pertama-tama, perlu dicatat bahwa setelah 11 tahun berkecimpung di industri energi, ketika Anda mengetahui dan dapat melakukan segalanya dan bahkan lebih banyak lagi (sesuai dengan tanggung jawab Anda), mempelajari hal-hal baru yang radikal - di satu sisi, menyebabkan antusiasme yang besar, tapi di sisi lain - berubah menjadi sakit fisik " gigi di kepalaku."
Saya masih belum sepenuhnya memahami semua konsep dasar pemrograman dan pembelajaran mesin, jadi sebaiknya Anda tidak menilai saya terlalu keras. Saya harap artikel saya menarik dan bermanfaat bagi orang-orang seperti saya yang jauh dari pengembangan perangkat lunak.
Sebelum melanjutkan ke ikhtisar kursus, saya akan mengatakan bahwa untuk mempelajarinya Anda memerlukan setidaknya pengetahuan minimal tentang Python. Anda dapat membaca beberapa buku untuk boneka (saya juga sudah mulai mengambil kursus Stepic, tetapi belum menguasainya sepenuhnya).
Kursus TensorFlow itu sendiri tidak akan berisi konstruksi yang rumit, namun penting untuk memahami alasan perpustakaan diimpor, cara suatu fungsi didefinisikan, dan alasan sesuatu diganti ke dalamnya.
Mengapa TensorFlow dan Udacity?
Tujuan utama pelatihan saya adalah keinginan untuk mengenali foto elemen instalasi listrik menggunakan jaringan saraf.
Saya memilih TensorFlow karena saya mendengarnya dari teman saya. Dan sejauh yang saya pahami, kursus ini cukup populer.
Saya mencoba mulai belajar dari pejabat tersebut .
Dan kemudian saya mengalami dua masalah.
- Ada banyak materi pendidikan, dan variasinya berbeda-beda. Sangat sulit bagi saya untuk membuat setidaknya gambaran yang kurang lebih lengkap tentang penyelesaian masalah pengenalan gambar.
- Sebagian besar artikel yang saya perlukan belum diterjemahkan ke dalam bahasa Rusia. Kebetulan saya belajar bahasa Jerman saat kecil dan sekarang, seperti kebanyakan anak Soviet, saya tidak bisa berbahasa Jerman atau Inggris. Tentu saja, sepanjang masa dewasa saya, saya mencoba menguasai bahasa Inggris, tetapi ternyata seperti pada gambar.
Setelah menelusuri situs resminya, saya menemukan rekomendasi untuk dibaca .
Sejauh yang saya pahami, kursus di Coursera berbayar, dan kursusnya adalah mungkin untuk lulus "gratis, yaitu gratis".
Konten kursus
Kursus ini terdiri dari 9 pelajaran.
Bagian pertama adalah pengantar, di mana mereka akan memberi tahu Anda mengapa hal itu pada prinsipnya diperlukan.
Pelajaran #2 ternyata menjadi favorit saya. Itu cukup sederhana untuk dipahami dan juga menunjukkan keajaiban ilmu pengetahuan. Singkatnya, dalam pelajaran ini, selain informasi dasar tentang jaringan saraf, pembuatnya mendemonstrasikan cara menggunakan jaringan saraf lapisan tunggal untuk memecahkan masalah konversi suhu dari Fahrenheit ke Celcius.
Ini sungguh sebuah contoh yang sangat jelas. Saya masih duduk di sini memikirkan cara menemukan dan memecahkan masalah serupa, tetapi hanya untuk teknisi listrik.
Sayangnya, saya terhenti lebih jauh, karena mempelajari hal-hal yang tidak dapat dipahami dalam bahasa asing cukup sulit. Yang menyelamatkan saya adalah apa yang saya temukan di Habré .
Terjemahan dilakukan dengan kualitas tinggi, buku catatan Colab juga diterjemahkan, jadi saya kemudian melihat asli dan terjemahannya.
Pelajaran No. 3 sebenarnya merupakan adaptasi materi dari tutorial resmi TensorFlow. Dalam tutorial ini, kami menggunakan jaringan saraf multilayer untuk mempelajari cara mengklasifikasikan gambar pakaian (dataset Fashion MNIST).
Pelajaran No. 4 sampai No. 7 juga merupakan adaptasi dari tutorial. Namun karena letaknya yang benar, tidak perlu memahami sendiri urutan belajarnya. Dalam pelajaran ini kita akan diberitahu secara singkat tentang jaringan saraf ultra-presisi, cara meningkatkan akurasi pelatihan dan menyimpan model. Pada saat yang sama, kami akan secara bersamaan memecahkan masalah klasifikasi kucing dan anjing berdasarkan gambar.
Pelajaran No. 8 adalah kursus yang sepenuhnya terpisah, ada guru yang berbeda, dan kursus itu sendiri cukup luas. Pelajarannya tentang deret waktu. Karena saya belum tertarik, saya memindainya secara diagonal.
Ini diakhiri dengan pelajaran #9, yaitu undangan untuk mengikuti kursus gratis tentang TensorFlow lite.
Apa yang Anda suka dan tidak suka
Saya akan mulai dengan hal positif:
- Kursus ini gratis
- Kursusnya menggunakan TensorFlow 2. Beberapa buku teks yang saya lihat dan beberapa kursus di Internet menggunakan TensorFlow 1. Saya tidak tahu apakah ada perbedaan besar, namun menyenangkan mempelajari versi saat ini.
- Para guru dalam video tersebut tidak mengganggu (walaupun dalam versi Rusia mereka tidak membaca secerah aslinya)
- Kursus ini tidak memakan banyak waktu
- Kursus ini tidak membuat Anda merasa sedih atau putus asa. Tugas dalam kursus ini sederhana dan selalu ada petunjuk dalam bentuk Colab dengan solusi yang tepat jika ada sesuatu yang tidak jelas (dan sebagian besar tugas tidak jelas bagi saya)
- Tidak perlu menginstal apapun, semua pekerjaan laboratorium tentunya bisa dilakukan di browser
Sekarang kontra:
- Praktis tidak ada bahan kontrol. Tidak ada tes, tidak ada tugas, tidak ada yang bisa memeriksa penguasaan kursus
- Tidak semua buku catatan saya berfungsi sebagaimana mestinya. Saya pikir pada pelajaran ketiga dari kursus asli dalam bahasa Inggris Colab terjadi kesalahan dan saya tidak tahu apa yang harus saya lakukan dengannya
- Nyaman untuk ditonton hanya di komputer. Mungkin saya belum sepenuhnya memahaminya, namun saya tidak bisa menemukan aplikasi Udacity di smartphone saya. Dan situs versi seluler tidak responsif, artinya hampir seluruh area layar ditempati oleh menu navigasi, tetapi untuk melihat konten utama Anda perlu menggulir ke kanan di luar area tampilan. Selain itu, video tersebut tidak dapat dilihat di ponsel. Anda tidak dapat melihat apa pun di layar berukuran lebih dari 6 inci.
- Beberapa hal dalam kursus dikunyah beberapa kali, tetapi pada saat yang sama, hal-hal yang benar-benar diperlukan pada jaringan konvolusional itu sendiri tidak dikunyah dalam kursus. Saya masih belum memahami tujuan keseluruhan dari beberapa latihan (misalnya, untuk apa Max Pooling).
Ringkasan
Pasti Anda sudah bisa menebak bahwa keajaiban itu tidak terjadi. Dan setelah menyelesaikan kursus singkat ini, mustahil untuk benar-benar memahami cara kerja jaringan saraf.
Tentu saja, setelah itu saya tidak dapat menyelesaikan sendiri masalah saya dengan klasifikasi foto sakelar dan tombol pada switchgear.
Namun secara keseluruhan kursus ini bermanfaat. Ini menunjukkan hal-hal apa saja yang dapat dilakukan dengan TensorFlow dan arah yang harus diambil selanjutnya.
Saya rasa pertama-tama saya perlu mempelajari dasar-dasar Python dan membaca buku dalam bahasa Rusia tentang cara kerja jaringan saraf, lalu mempelajari TensorFlow.
Sebagai penutup, saya ingin mengucapkan terima kasih kepada teman-teman saya yang telah mendorong saya untuk menulis artikel pertama tentang Habr dan membantu saya memformatnya.
PS Saya akan senang melihat komentar Anda dan kritik yang membangun.
Sumber: www.habr.com