课程介绍
机器视觉，GANs，深度强化学习(Deep Reinforcement Learning)视频教程介绍了当今深度学习中三个最令人兴奋的主题。现代机器视觉涉及的自动化系统在图像识别，对象检测和图像分割任务方面的性能要优于人类。生成对抗网络以“伪造者-侦探”的关系相互投射两个深度学习网络，从而可以通过灵活的，用户可指定的元素来制作令人惊叹的逼真的图像。深度强化学习(Deep Reinforcement Learning)同样取得了令人惊讶的进步，包括广为流传的大多数“人工智能”突破。深度强化学习涉及培训“代理”以熟练掌握给定的“环境”，使算法能够在各种复杂挑战中达到或超过人类水平的性能，包括Atari电子游戏，棋盘游戏Go和微妙的手动操作任务。在这些课程中，通过直观的解释和交互式的Jupyter笔记本演示，将基本理论带入了生活。示例以TensorFlow 2（最受欢迎的深度学习库）中的Python和简单的Keras层为特色。
第1课：方向
第1课从快速回顾如何在课程中运行代码开始。然后，它回顾了基础深度学习理论，该理论对于构建机器视觉，GAN和深度强化学习专业至关重要。本课程总结了所有五个LiveLesson的发展过程中将开发的最先进的功能。
第2课：用于机器视觉的卷积神经网络
第2课介绍了卷积层。卷积层首先用于在TensorFlow中创建ConvNet。然后，本课程涵盖了机器学习应用程序的整个领域，包括残差网络，图像分割，对象检测，转移学习和胶囊网络。
第3课：创造力的对抗性网络
第3课以产生性对抗性网络（GAN）的应用和基本理论开始。然后，您会看到快速抽奖！游戏，它被用作来自GAN的单个类的成千上万张手绘图像的来源，以供GAN学习如何模仿。本课程的其余部分用于为GAN的三个主要组件开发复杂的代码：辨别器网络，生成器网络和使它们相互竞争的对抗网络。
第4课：深度强化学习
第4课从定义深度强化学习开始，然后转向其应用概述。本课程以对深度强化学习与人工智能之间关系的讨论作为结尾。
第5课：深入的Q学习和
第5课从Cart-Pole游戏开始，在本课程中，该游戏用于训练深度强化学习算法。然后转向深度强化学习以及深度Q学习（一种流行的深度强化学习代理）背后的理论。
有了这一理论，您就可以在定义自己的DQN代理并将其在Cart-Pole游戏中脱颖而出时，以直观的方式理解随后的代码。通过探索优化深度强化学习代理超参数的工具，在DQN代理之外引入代理，概述一些可能的项目构想以及返回人工智能的讨论来解决现代深度学习方法的局限性，本课程结束了。
MP4 | Video: AVC 1280 x 720 | Audio: AAC 48 Khz 2ch | Duration: 06:05:32 | 10.49 GB
Genre: eLearning | Language: English
学习要点
- 了解机器视觉、深度强化学习和生成性对抗网络的高级理论和关键语言
- 为图像识别、目标检测和图像分割创建最先进的模型
- 以人绘插图的风格创造令人信服的图像的建筑师
- 构建深度RL代理，使其能够熟练地在各种环境中执行任务，例如OpenAI Gym提供的环境
- 运行自动实验优化深层强化学习代理的超参数，如其人工神经网络配置
- 了解“人工智能”目前的局限性是什么，以及在不久的将来如何克服这些局限性
参与对象
非常适合于软件工程师、数据科学家、分析师和统计学家，他们对将深度学习应用于自然语言数据非常感兴趣
代码示例是用Python提供的，因此熟悉Python或其他面向对象编程语言会很有帮助
关于讲师
乔恩·克罗恩（Jon Krohn）是不熟悉的机器学习公司的首席数据科学家。他介绍了Addison-Wesley发行的一系列受欢迎的深度学习教程，并且是畅销书《深度学习插图》的作者。乔恩（Jon）在纽约市数据科学学院的课堂上教授深度学习课程，并在哥伦比亚大学和纽约大学进行客座演讲。他拥有牛津大学的神经科学博士学位，自2010年以来一直在领先的期刊上发表有关机器学习的文章。