तंत्रिका नेटवर्क के साथ शुरुआत कैसे करें

32

मैं तंत्रिका नेटवर्क के लिए पूरी तरह से नया हूं, लेकिन उन्हें समझने में बहुत दिलचस्पी है। हालाँकि शुरुआत करना आसान नहीं है।
क्या कोई अच्छी पुस्तक या किसी अन्य प्रकार के संसाधन की सिफारिश कर सकता है? क्या कोई पढ़ना चाहिए?
मैं किसी भी तरह की टिप के लिए शुक्रगुजार हूं।

machine-learning neural-networks references

— क्लाउडियो अल्बर्टिन
स्रोत

11

एक कोर्स यह भी है कि गोएफ़ हिंटन कोर्टएसा के माध्यम से न्यूरल नेटवर्क्स पर पढ़ा रहे हैं जो अगले सप्ताह शुरू होता है: coursera.org/course/neuralnets

— मार्क शिवर्स

यह पाठ्यक्रम दिलचस्प लग रहा है, लेकिन वीडियो और वेब पेज से, मुझे लगता है कि यह एक परिचय के रूप में नहीं बनाया गया है।

— डगलस ज़ारे

@ डगलसजारे: मैं हिंटन का कोर्स पूरा कर रहा हूं, और कुछ हिस्सों में मुझे खुशी है कि मैंने पहली बार एंड्रयू एनजी द्वारा एमएल कोर्स लिया।

— एंड्रयू

1

हां, मैंने भी लिया। यह एक महान पाठ्यक्रम था, और कोई परिचय नहीं।

— डगलस ज़ारे

शुरुआती के लिए तंत्रिका नेटवर्क के बारे में ब्लॉग और ट्यूटोरियल जानें-neural-networks.com

— льаиль Гафаров

33

तंत्रिका नेटवर्क कुछ समय के लिए आसपास रहे हैं, और वे वर्षों में नाटकीय रूप से बदल गए हैं। यदि आप केवल वेब पर घूमते हैं, तो आप इस धारणा के साथ समाप्त हो सकते हैं कि "न्यूरल नेटवर्क" का अर्थ है बैक-प्रचार के साथ प्रशिक्षित मल्टी-लेयर फीडवर्डवर्ड नेटवर्क। या, आप शायद ही कभी इस्तेमाल किए गए दर्जनों में से किसी के भी पार हो सकते हैं, विचित्र रूप से नामित मॉडल और निष्कर्ष निकालते हैं कि तंत्रिका नेटवर्क एक अनुसंधान परियोजना की तुलना में अधिक चिड़ियाघर हैं। या कि वे एक नवीनता हैं। या ...

मैं जा सकता था। यदि आप एक स्पष्ट स्पष्टीकरण चाहते हैं, तो मैं जियोफ्रे हिंटन की बात सुनूंगा । वह हमेशा के लिए चारों ओर हो गया है और (इसलिए?) एक महान काम करता है जो सभी असंगत मॉडलों को बुनता है, जो एक सामंजस्यपूर्ण, सहज और (कभी-कभी सैद्धांतिक) ऐतिहासिक कथा में काम करता है। उनके होमपेज पर, Google Tech Talks और Videolectures.net के व्याख्यान हैं जो उन्होंने किए हैं ( RBMs और डीप लर्निंग पर , दूसरों के बीच)।

जिस तरह से मैं इसे देख रहा हूं, यहां एक ऐतिहासिक और शैक्षणिक रोड मैप है, जिसमें तंत्रिका नेटवर्क को समझने के लिए, अत्याधुनिक के लिए अपनी स्थापना से:

perceptrons
- समझने में आसान
- गंभीर रूप से सीमित
बहु-परत, पीठ-प्रसार द्वारा प्रशिक्षित
- इन्हें सीखने के लिए कई संसाधन
- आम तौर पर एसवीएम के साथ-साथ मत करो
बोल्ट्जमन मशीनें
- "ऊर्जा" के संदर्भ में एक आवर्तक नेटवर्क की स्थिरता के बारे में सोचने का दिलचस्प तरीका
- को देखो Hopfield नेटवर्क अगर आप एक चाहते समझने में आसान "ऊर्जा" के साथ बार-बार होने नेटवर्क के (लेकिन बहुत ही व्यावहारिक नहीं) उदाहरण।
- सैद्धांतिक रूप से दिलचस्प, व्यवहार में बेकार (महाद्वीपीय बहाव के समान गति के बारे में प्रशिक्षण)
प्रतिबंधित बोल्ट्जमान मशीनें
- उपयोगी!
- बोल्ट्जमैन मशीनों के सिद्धांत का निर्माण
- वेब पर कुछ अच्छे परिचय
गहरे विश्वास नेटवर्क
- जहां तक मैं बता सकता हूं, यह सेमी-सुपरवाइज्ड लर्निंग करने के लिए मल्टी-लेयर आरबीएम का एक वर्ग है।
- कुछ संसाधन

— स्टम्पी जो पीट
स्रोत

1

इस अवलोकन और उन कई संसाधनों के लिए बहुत-बहुत धन्यवाद!

— क्लाउडियो अल्बर्टिन

2

कोई बात नहीं। अपने तंत्रिका नेटवर्क प्रयासों में शुभकामनाएँ।

— स्टंपी जो पीट

8

मैं इन व्याख्यानों को देखने की सलाह देता हूं और इसे पठन सामग्री के रूप में उपयोग करता हूं । ये व्याख्यान सामान्य रूप से तंत्रिका नेटवर्क के बारे में एंड्रयू एनजी से बातचीत में मशीन सीखने पर हैं और शुरुआती लोगों के लिए इसे सुलभ बनाने के लिए कड़ी मेहनत करते हैं।

— इवान
स्रोत

क्या आप शीर्षकों को इंगित कर सकते हैं? भविष्य में लिंक मृत हो सकते हैं ...

— रिचर्ड हार्डी

5

मेरी राय में, बहुत अच्छी किताबें हैं।

आर। रोजास: तंत्रिका नेटवर्क
CM बिशप: पैटर्न पहचान के लिए तंत्रिका नेटवर्क

पुस्तकों में कुछ समानताएं हैं: वे दोनों लगभग 500 पृष्ठ लंबे हैं, और वे 1995 से काफी पुराने हैं। फिर भी, वे बहुत उपयोगी हैं। दोनों पुस्तकें खरोंच से शुरू होती हैं, यह समझाकर कि तंत्रिका नेटवर्क क्या हैं। वे समझ की सहायता के लिए स्पष्ट व्याख्या, अच्छे उदाहरण और अच्छे रेखांकन प्रदान करते हैं। वे तंत्रिका नेटवर्क के प्रशिक्षण के मुद्दों को अपने कई आकारों और रूपों में विस्तार से बताते हैं, और वे क्या कर सकते हैं और क्या नहीं कर सकते। दो पुस्तकें एक-दूसरे का बहुत अच्छी तरह से पूरक करती हैं, क्योंकि कोई एक पुस्तक के साथ क्या कर सकता है, एक दूसरे में ढूंढता है।

रोजस में एक खंड है, जो मुझे विशेष रूप से मैट्रिक्स रूप में कई परतों पर बैक-प्रचार को लागू करने के बारे में पसंद है। इसमें फजी लॉजिक के बारे में एक अच्छा खंड भी है, और जटिलता सिद्धांत के बारे में भी। लेकिन तब बिशप के पास कई अन्य अच्छे खंड हैं।

रोजा है, मैं कहूंगा, सबसे सुलभ। बिशप अधिक गणितीय है और शायद अधिक परिष्कृत है। दोनों पुस्तकों में, गणित ज्यादातर रैखिक बीजगणित और कई चर (आंशिक डेरिवेटिव और इतने पर) के कार्यों की गणना है। इन विषयों के किसी भी ज्ञान के बिना, आप शायद इन पुस्तकों में से कोई भी बहुत रोशन नहीं पाएंगे।

मैं पहले रोजा पढ़ने की सलाह दूंगा।

दोनों किताबें, जाहिर है, एल्गोरिदम के बारे में कहने के लिए बहुत कुछ है, लेकिन न तो कोड में विशिष्ट कार्यान्वयन के बारे में बहुत कुछ कहता है।

मेरे लिए, ये पुस्तकें पृष्ठभूमि प्रदान करती हैं, जो ऑन-लाइन पाठ्यक्रम बनाती हैं, (जैसे कि हिंटर्स, कोर्टेरा पर) समझने योग्य हैं। किताबें बहुत अधिक जमीन को कवर करती हैं, और कहीं अधिक विस्तार से, ऑनलाइन किया जा सकता है।

मुझे उम्मीद है कि यह मदद करता है, और किताबों के बारे में किसी भी सवाल का जवाब देने में खुश हूं।

— Old_Mortality
स्रोत

3

साइट में आपका स्वागत है, @Old_Mortality। क्या आप उन किताबों के बारे में कुछ कह सकते हैं? उनके बारे में क्या अच्छा है? क्या वे लोगों के लिए उपयुक्त हैं w / गणितीय और / या कोडिंग परिष्कार के कुछ स्तर? आप ओपी को पहली बार पढ़ने की सलाह देंगे? आदि

— गूँज - मोनिका

1

सुझाव के लिए धन्यवाद। मैंने अपना उत्तर ऊपर संपादित कर दिया है।

— Old_Mortality

3

जैसा कि अन्य लोगों ने बताया है, ऑनलाइन बहुत सारे (अच्छे) संसाधन हैं और मैंने व्यक्तिगत रूप से उनमें से कुछ किए हैं:

कौर की एमएल क्लास में इंट्रो
कुंटेरा पर Hinton के तंत्रिका नेटवर्क वर्ग
एनजी का गहन शिक्षण ट्यूटोरियल
मूल समानांतर वितरित प्रसंस्करण में प्रासंगिक अध्यायों को पढ़ना

मैं इस तथ्य पर ध्यान आकर्षित करना चाहता हूं कि ये एक्सपोजर ज्यादातर शास्त्रीय उपचार का पालन करते हैं जहां परतें (एक साथ समरूपता और गैर-रैखिकता) मूल इकाइयां हैं। टार्च-एनएन और टेंसोफ़्लो जैसे अधिकांश पुस्तकालयों में लागू किया गया अधिक लोकप्रिय और अधिक लचीला उपचार, अब उच्च मॉड्यूलरता प्राप्त करने के लिए ऑटो-भेदभाव के साथ गणना ग्राफ का उपयोग करता है। वैचारिक रूप से यह सरल और अधिक मुक्त है। मैं इस उपचार के लिए उत्कृष्ट स्टैनफोर्ड CS231n ओपन कोर्स की अत्यधिक सिफारिश करूंगा ।

एक कठोर, सीखने-सिद्धांत संबंधी उपचार के लिए, आप एंथनी और बार्टलेट द्वारा तंत्रिका नेटवर्क से परामर्श करना चाह सकते हैं ।

— बाज़
स्रोत

1

यदि आप अधिक सांख्यिकीय दृष्टिकोण से उपचार चाहते हैं, तो ब्रायन रिप्ले के "पैटर्न रिकॉग्निशन एंड न्यूरल नेटवर्क्स" पर एक नज़र डालें। यह पुस्तक परिचयात्मक नहीं है और कुछ सांख्यिकीय पृष्ठभूमि निर्धारित करती है।

http://www.stats.ox.ac.uk/~ripley/PRbook/

— kjetil b halvorsen
स्रोत

0

मैंने एक वेब एप्लिकेशन बनाया है जो तंत्रिका नेटवर्क के क्षेत्र में आपकी सीखने की प्रक्रिया का समर्थन करता है।

https://blueneurons.ch/nn

आप सेटिंग्स (आर्किटेक्चर, सक्रियण फ़ंक्शन, प्रशिक्षण सेटिंग्स) के साथ चारों ओर खेल सकते हैं और निरीक्षण कर सकते हैं कि सेटिंग्स भविष्यवाणियों को कैसे प्रभावित करती हैं। सभी डेटासेट में पूर्व-निर्धारित मान होते हैं जिन्हें अपनाया जा सकता है। अपने खुद के डेटासेट बनाना भी संभव है।

कार्यान्वित तत्वों के लिए निर्देश और स्पष्टीकरण:

उपयोगकर्ता गाइड

— Schlatter
स्रोत