資料科學: 使用 Python 實作深度學習

資料科學，大數據，機器學習是近幾年非常熱門的技術，人工智慧越來越進步，這些時髦的科技背後的原理是？這堂課很棒的是有教你理論與實作，實作的專案教你如何預測使用者在網站的操作，是否還會再回來，還會教你 Google TensorFlow ，講師一再強調他是要教你原理去理解這些是如何運作的，而不是教你如何使用 API 。

從這 12 小時的課程，你會學到

學習真的有用的深度學習（不僅僅是一些圖表和神奇的黑盒子程式碼）
學習如何從基本構建模塊（神經元）建構神經網路
使用 Python 和 numpy 從頭開始編寫類神經網路
使用 Google 的 TensorFlow 編寫一個類神經網路
描述不同類型的類神經網路和它們用於的不同類型的問題
從第一原則推導反向傳播規則
使用softmax 建立一個具有 K> 2 階級輸出的類神經網路
描述與神經網路有關的各種術語，例如“啟用”( activation )，“反向傳播”( backpropagation )和“前饋”( feedforward )
安裝 TensorFlow
了解 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 的重要基礎

規定為何？

如何取用偏微分(partial derivatives)和對數或然率(log-likelihoods)（例如找出死亡的最大可能性估計）
安裝Numpy和Python（截至2016年1月大約最新版本的Numpy）
不要擔心安裝TensorFlow，我們會在課程中說明。

課程說明

您是否好奇過 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 等人工智慧技術究竟是如何運作的？在本課程中，您將學習這些突破性應用的基礎知識。

本課程將指導您使用深度學習技術來建立您的第一個人工神經網路。繼我先前的邏輯迴歸課程之後，我們將以這個基本模組為基礎，使用 Python 和 Numpy 建立完整的非線性神經網路。本課程的所有資料均免費。

我們使用 softmax 函數將先前的二分類模型擴展為多分類模型，並運用第一原理推導出非常重要的訓練方法—「反向傳播」。我將向您展示如何在 Numpy 中編寫反向傳播程式碼，首先是“慢速方法”，然後是使用 Numpy 特徵的“快速方法”。

接下來，我們將使用 Google 全新的 TensorFlow 程式庫實作一個神經網路。

如果您有興趣開啟深度學習大師之旅，或者對機器學習和資料科學感興趣，那麼您應該參加本課程。我們將超越邏輯迴歸和線性迴歸等基礎模型，向您展示一些能夠自動學習特徵的方法。

本課程提供大量實作案例，讓您真正了解深度學習的應用場景。在整個課程過程中，我們將完成一個課程項目，向您展示如何根據使用者資料預測網站上的使用者行為，這些資料包括使用者是否使用行動裝置、瀏覽過的產品數量、在網站上停留的時間、是否是回訪者以及造訪時間。

課程結束時，我們將安排另一個項目，向您展示如何使用深度學習進行臉部表情辨識。想像一下，光是一張圖片就能預測某人的情緒！

在您熟悉基礎知識之後，我將簡要概述神經網路的一些最新進展—略微改進的架構及其用途。

注意：

如果您已經了解softmax和反向傳播，並且想跳過理論知識，直接使用更高級的技術以及GPU優化來加速，請查看我關於此主題的後續課程：資料科學：Theano 和 TensorFlow 中的實用深度學習概念。

我還有其他課程涵蓋更高級的主題，例如卷積神經網路、受限玻爾茲曼機、自編碼器等等！但您需要在學習更高級的主題之前，對本課程的內容非常熟悉。

本課程的重點是“如何建構和理解”，而不僅僅是“如何使用”。任何人都可以在閱讀一些文件後，在15分鐘內學會使用API。它不是關於“記住事實”，而是關於透過實驗“親眼見證”。它將教您如何視覺化模型內部發生的事情。如果您不僅僅是想對機器學習模型進行粗略的了解，那麼本課程非常適合您。

“如果你不能實現它，你就沒有理解它”

建議的先決條件：

微積分
線性代數
機率
Python 程式設計 : if/else, loops, lists, dicts, sets
Numpy 程式設計 : 矩陣和向量操作，載入一個 CSV 檔案
熟悉線性迴歸、邏輯迴歸等基本線性模型

小技巧（為了完成課程）：

使用 2x 倍速觀看
採取手寫筆記。這將大大提高您保留資訊的能力。
在討論板上提出很多問題。越多越好！
意識到大多數練習需要幾天或幾週才能完成。

修課順序

查看講座 “ What order should I take your courses in?” （可在我的任何課程的附錄中找到，或請參考先修課）

目標受眾為何？

對機器學習感興趣的學生 – 你會得到所有你需要做好的有趣的題目在一個類神經網路課程
希望在他/她們的機器學習和資料科學管道中使用類神經網路的專業人員。
已經知道如何獲取偏微分和對數或然率的人。因為我們在我的邏輯回歸課程中更詳細地討論了這一點，所以在這裡沒有完全涵蓋。
已經知道如何使用 Python和 Numpy 程式設計的人。你對這些需要一點熟悉，因為我們進行得很快。別擔心，這不是那麼難。

講師簡介

Lazy Programmer Inc 資料科學家和大數據工程師

我是一名資料科學家、大數據工程師和全端軟體工程師。

我有電腦工程的碩士，專長為機器學習和模式辨識。

我曾在網路廣告和數位媒體企業擔任過資料科學家和大數據工程師，圍繞所謂的資料建構各種高流量的 web 服務。我曾經使用 Hadoop / Pig / MapReduce 創建新的大數據管道，也曾建立機器學習模型來預測點擊率，使用線性迴歸、Bayesian Bandits 和協同過濾 ( collaborative filtering )建立新聞推薦系統，並使用A / B測試驗證結果。

我曾在大學部與研究所教授資料科學、統計學、機器學習、演算法、微積分、電腦圖學和物理學，任職的學校如哥倫比亞大學、紐約大學、Hunter 學院和 The New School。

有多家企業已從我的 Web 程式設計專業知識中受益。我做所有的後端(伺服器)、前端（HTML / JS / CSS）和運營/佈署工作。我使用的技術包含：Python、Ruby / Rails、PHP、Bootstrap、jQuery（Javascript）、Backbone 和 Angular。至於儲存/資料庫，我採用 MySQL、Postgres、Redis、MongoDB等。