Deep-Learning-Kurs

 (fleuret.org)
6 Punkte von GN⁺ 2023-11-20 | 2 Kommentare | Auf WhatsApp teilen

Einführung in die Deep-Learning-Vorlesung

  • Materialien, Aufzeichnungen und die virtuelle Maschine zu François Fleurets Deep-Learning-Vorlesung sind in der Vorlesung 14x050 der Universität Genf verfügbar
  • Bietet eine gründliche Einführung in Deep Learning mit dem PyTorch-Framework
  • Die Vorlesung wurde 2018 am Idiap Research Institute entwickelt und bis 2022 an der ETH Lausanne als EE-559 unterrichtet

Vorlesungsmaterialien

  • Die PDF-Folien für die Vorlesung werden im Querformat bereitgestellt und enthalten Overlays, um die Lehre zu erleichtern
  • Das Handout-PDF ist mit zusätzlichen Notizen im Hochformat ohne komplexe Effekte kompiliert
  • Screencasts sind als Browser-Streaming oder als herunterladbare MP4-Dateien verfügbar

Prolog für die Übungssitzungen

  • Der Python-Prolog für die Übungssitzungen verarbeitet Kommandozeilenargumente und stellt Datenladefunktionen bereit
  • Die Datenladefunktionen laden Daten bei Bedarf herunter, formen Bilder in eindimensionale Vektoren um und normalisieren oder glätten die Daten je nach Bedarf

Verwendung der virtuellen Maschine

  • Die virtuelle Maschine (VM) ist Software, die einen vollständigen Computer simuliert, und bietet ein Linux-Betriebssystem mit allen Werkzeugen, die nötig sind, um PyTorch im Webbrowser zu verwenden
  • Die VM startet JupyterLab automatisch und führt es auf Port 8888 aus, sodass über den Webbrowser des Host-Systems darauf zugegriffen werden kann

Meinung von GN⁺

Diese Vorlesung bietet eine umfassende Einführung in Deep Learning und ist so aufgebaut, dass sie auch für Softwareentwickler mit wenig Erfahrung leicht verständlich ist. Besonders interessant ist, dass sie mit echten Vorlesungsmaterialien und einer virtuellen Maschine für praktische Übungen eine praxisnahe Lernerfahrung bietet.

Verwandte Beiträge

2 Kommentare

 
bigtallee 2023-11-20

Schade, dass es keine Untertitel zu den Vorlesungen gibt..
 
GN⁺ 2023-11-20
Hacker-News-Kommentare

  • Empfehlungen für verschiedene Lernmaterialien

    • Das Buch "Understanding Deep Learning" fehlt in der Liste. Das Buch von Simon J.D. Prince ist besonders, weil es zu jedem Kapitel weiterführende Literaturhinweise, Übungsaufgaben zum Testen des Verständnisses und Notebooks mit Code zur praktischen Umsetzung der Konzepte enthält.
    • Auf dem YouTube-Kanal der Stanford University kann man sich die komplette Vorlesungsreihe zu Machine Learning (19 Videos) ansehen. Dort sind auch viele Vorlesungen aus der Informatik veröffentlicht.
    • Es wird auch empfohlen, sich "Little Book of Deep Learning" anzusehen.
    • "Practical Deep Learning for Coders" ist ebenfalls ein nützliches Material.
    • Der Deep-Learning-Kurs der NYU von Yann LeCun und Alfredo Canziani ist vollständig auf YouTube veröffentlicht.

  • Materialien für alle, die einen tiefgehenden Kurs ohne Videos suchen

    • Es werden Informationen zu einem tiefgehenden Kurs gesucht, der nicht das Ansehen von Videos voraussetzt.

  • Vorlesungsempfehlung für Anfänger

    • Die erste Vorlesung aus Andrej Karpathys Vorlesungsreihe ist für Anfänger sehr zugänglich.

  • Überlegungen zur Möglichkeit eines Wechsels in das Fachgebiet

    • Es wird die Frage aufgeworfen, ob ein Einstieg in dieses Fachgebiet nach sechs Monaten Lernen möglich ist, obwohl bereits mehrere Jahre Erfahrung als Full-Stack-Entwickler vorhanden sind.

  • Auswahl unter verschiedenen Optionen

    • Der Kurs von Sebastian Raschka ist leicht zugänglich, wenn man Python oder eine ähnliche Sprache kennt.
    • Jemand hat vor Kurzem mit Andrew Ngs Coursera-Kurs begonnen und fragt sich, worin die Unterschiede zwischen diesen kostenlosen Optionen bestehen.