Di vê postê de, em ji hev-damezrîner û CTO ya DAGsHub, civakek û platformek malperê ji bo kontrolkirina guhertoya daneyê û hevkariya di navbera zanyarên daneyê û endezyarên fêrbûna makîneyê de, hilbijarkek çavkaniyên agahdariya kêrhatî di derbarê Zanistiya Daneyê de bi we re parve dikin. Vebijêrk cûrbecûr çavkaniyan vedihewîne, ji hesabên Twitter-ê bigire heya tevnvîsên endezyariyê yên bêkêmasî, yên ku ji bo kesên ku bi rastî dizanin ku ew lê digerin têne armanc kirin. Details di bin cut.
Ji nivîskar:
Hûn tiştê ku hûn dixwin in, û wekî xebatkarek zanînê hûn hewceyê parêzek agahdariya baş in. Ez dixwazim çavkaniyên agahdariya di derbarê Zanistiya Daneyên, Zehmetiya Hunerî û teknolojiyên têkildar ên ku ez herî bikêr an balkêş dibînim parve bikim. Ez hêvî dikim ku ev jî ji we re dibe alîkar!
Kanalek YouTube-ê ku ji bo şopandina bûyerên herî dawî baş e. Kanal bi gelemperî tê nûve kirin û mêvandar ji bo hemî mijarên ku hatine girtin xwedan coş û erênîyek enfeksiyonê ye. Li bendê ne ku xebata balkêş ne tenê li ser AI-ê, lê di heman demê de li ser grafikên komputerê û mijarên din ên balkêş ên dîtbar jî were girtin.
Li ser kanala xwe ya YouTube-ê, Yannick lêkolînek girîng di fêrbûna kûr de bi hûrguliyên teknîkî rave dike. Li şûna ku hûn lêkolînê bi xwe bixwînin, bi gelemperî zûtir û hêsantir e ku meriv yek ji vîdyoyên wê temaşe bike da ku hûn têgihîştinek kûr a gotarên girîng bistînin. Ravekirin bêyî îhmalkirina matematîkê an jî windabûna di sê pincaran de esasê gotaran radigihîne. Yannick di heman demê de nêrînên xwe li ser ka lêkolîn çawa li hev dicivin, bi ciddî girtina encaman, şîroveyên berfireh û hêj bêtir parve dike. Ji bo kesên nûjen (an jî pisporên ne-akademîk) dijwartir e ku bi serê xwe werin van vedîtan.
Bi gotinên xwe:
Lêkolîna fêrbûna makîneyê pêdivî ye ku zelal, dînamîk û zindî be. Û Distill ji bo alîkariya lêkolînê hate afirandin.
Distill weşanek bêhempa ye ku bi lêkolînê di warê fêrbûna makîneyê de ye. Gotarên bi dîmenên balkêş têne pêşve xistin da ku ji xwendevanan re têgihiştinek bikêrtir ji mijaran bidin. Raman û xeyala mekanî di arîkariya famkirina mijarên Fêrbûna Makîne û Zanistiya Daneyê de pir baş dixebitin. Ji hêla din ve, formên weşanên kevneşopî di strukturên xwe de hişk, statîk û hişk in, û carinan jî . Chris Olah, yek ji afirînerên Distill, di heman demê de xwedan blogek kesane ya ecêb e . Ew ji mêj ve nehatiye nûve kirin, lê ew hîn jî berhevokek çêtirîn ravekirinên li ser mijara fêrbûna kûr a ku heya niha hatî nivîsandin dimîne. Bi taybetî jî gelek alîkariya min kir LSTM!
Sebastian Ruder blog û nûçenameyek pir têgihîştî dinivîse, di serî de li ser hevberdana torên neuralî û derxistina nivîsa zimanê xwezayî. Di heman demê de ji bo lêkolîner û axaftvanên konferansê jî gelek şîretên wî hene, ku heke hûn di akademiyê de ne, dikarin pir alîkar bin. Gotarên Sebastian bi gelemperî forma nirxandinan digirin, kurtekirin û ravekirina rewşa lêkolîn û rêbazên heyî yên di qadek taybetî de. Ev tê vê wateyê ku gotar ji bo bijîjkên ku dixwazin zû guhên xwe bigirin pir bikêr in. Sebastian jî dinivîse .
Andrei Karpathy ne hewceyî danasînê ye. Digel ku yek ji lêkolînerên fêrbûna kûr a herî navdar a li ser Erdê ye, ew amûrên ku pir têne bikar anîn diafirîne, mînakî. wekî projeyên alîgir. Bêhejmar kes bi qursa wî ya Stanford ketine vî warî , û ew ê ji we re kêrhatî be ku hûn wê bizanibin perwerdeya tora neuralî. Ez jî temaşekirina wê pêşniyar dikim di derbarê kêşeyên cîhana rastîn de dema ku Tesla hewl dide ku fêrbûna makîneyê li cîhana rastîn bi pîvanek girseyî bicîh bîne divê bi ser bikeve. Axaftin agahdar e, bandorker û hişyar e. Ji bilî gotarên li ser ML bixwe, Andrei Karpathy dide bo . Andrey li hundur bixwînin û li ser .
Bloga endezyariya Uber bi pîvan û berfirehiya vegirtinê bi rastî bandorker e, bi taybetî gelek mijaran vedihewîne . Tiştê ku ez bi taybetî di derbarê çanda endezyariya Uber de jê hez dikim meyla wan a hilberîna pir balkêş û hêja ye çavkaniya vekirî bi lezek berbiçav. Li vir çend nimûne hene:
- Û lîste berdewam dike û li ser ... Hats off, Uber
Nakokî ji bilî, bloga OpenAI-ê bê guman ecêb e. Dem bi dem, blog naverok û ramanên di derbarê fêrbûna kûr de diweşîne ku tenê dikare di pîvana OpenAI-yê de were: Hîpotetîk daketina du qat kûr. Tîma OpenAI-ê kêm caran diweşîne, lê ev tiştek girîng e.
Bloga Taboola bi qasî hin çavkaniyên din ên di vê postê de ne naskirî ye, lê ez difikirim ku ew yekta ye - nivîskar dema ku hewl didin ku ML-ê di hilberînê de ji bo "normal" bi kar bînin, li ser pirsgirêkên pir domdar, jiyanî dinivîsin. "karsaz: kêmtir li ser otomobîlên xwe-ajotinê û ajanên RL yên ku şampiyonên cîhanê qezenc dikin, bêtir li ser "ez çawa dizanim ku modela min naha tiştan bi pêbaweriya derewîn pêşbînî dike?" Van pirsgirêkan hema hema ji her kesê ku di qadê de dixebitin re têkildar in, û ew ji mijarên gelemperî yên AI-ê kêmtir ronahiya çapemeniyê digirin, lê dîsa jî jêhatîbûna pola cîhanî hewce dike ku van pirsgirêkan rast çareser bike. Xwezî, Taboola hem vê jêhatîbûnê hem jî dilxwazî û şiyana nivîsandina li ser wê heye da ku mirovên din jî fêr bibin.
Li gel Twitter, li ser Reddit tiştek çêtir tune ku meriv bi lêkolîn, amûr an jî şehrezayiya elaletê ve girêdayî be.
Mesaj tenê salane têne weşandin, lê bi agahdariya pir zexm têne dagirtin. Li gorî çavkaniyên din ên li ser vê navnîşê, ev yek ji mirovên karsaziya ne-teknolojiyê re hêsantir e. Tiştê ku ez di derbarê axaftinan de jê hez dikim ev e ku ew hewl dide ku nêrînek berfirehtir peyda bike ka ku pîşesazî û lêkolîn ber bi ku ve diçin, pêşkeftinên di hardware, lêkolîn, karsazî, û tewra jeopolîtîkê de ji çavê çûk ve girêdide. Bawer bikin ku di dawiyê de dest pê bikin ku li ser nakokiyên berjewendiyê bixwînin.
Podcasts
Bi rastî, ez difikirim ku podcast ji bo lêkolîna mijarên teknîkî nebaş in. Beriya her tiştî, ew tenê deng bikar tînin da ku mijaran rave bikin, û zanistiya daneyê qadek pir dîtbar e. Podcast ji we re hincetekê dide ku hûn paşê lêkolînek kûrtir bikin an jî hin nîqaşên felsefî yên balkêş bikin. Lêbelê, li vir çend pêşniyar hene:
- , ji ber ku ew bi lêkolînerên navdar ên di warê îstîxbarata çêkirî de diaxive. Beşên bi Francois Chollet re bi taybetî baş in!
- . Baş e ku meriv li ser amûrên binesaziya daneya nû bibihîzin.
Lîsteyên Awesome
Kêmtir heye ku meriv li vir bişopîne, lê bêtir çavkaniyên ku bikêr in gava ku hûn zanibin hûn li çi digerin:
Matty awayên xweşik, afirîner ên karanîna torên neuralî dibîne, û dîtina encamên wî li ser feed Twitter-ê tenê kêfxweş e. Bi kêmanî lê binêre zû.
Ori tenê makîneyeke ajotinê ye . Ew bi berfirehî li ser pirsgirêk û çareseriyên ji bo zanyarên daneyê dinivîse. Pê bawer bin ku bibin abone da ku gava gotarek were weşandin were agahdar kirin. Bûyin , bi taybetî, bi rastî bandorker e.
Hev-damezrênerê fast.ai, çavkaniyek berfireh a afirîner û hilberînê.
Endezyarek ML-ya karmendê li Github, Hamel Hussain bi karê afirandin û raporkirina li ser gelek amûrên ji bo kodkerên daneyê mijûl e.
Afirînerê Keras, niha têgihîştina me ya ku îstîxbarat çi ye û meriv wê çawa biceribîne nûve bike.
Zanyarê Lêkolînê li Google Brain.
encamê
Dibe ku posta orîjînal were nûve kirin ji ber ku nivîskar çavkaniyên naverokê yên mezin dibîne ku dê şerm be ku nekeve nav navnîşê. Bi dilxwazî bi wî re têkilî daynin , heke hûn dixwazin çavkaniyek nû pêşniyar bikin! Û her weha DAGsHub Parêzer [nêzîkî. werger bijîjkek giştî] di Zanistiya Daneyê de, ji ber vê yekê heke hûn naveroka xweya Zanistiya Daneyên xwe biafirînin, bi dilxwazî ji nivîskarê postê re binivîsin.
Bi xwendina çavkaniyên pêşniyarkirî, û bi karanîna koda danasînê, xwe pêşve bibin HABR, hûn dikarin ji erzaniya ku li ser pankartê hatî destnîşan kirin 10% zêde bistînin.
Kursên bêtir
Gotarên Taybetî
Source: www.habr.com