資料科學: 使用 Python 實作深度學習

Contents

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 11 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

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

本課程將讓你開始使用深度學習技術構建你的第一個人工類神經網路( artifical neural network )。按照我以前的邏輯回歸(logistic regression)課程，我們採用這個基本的構建塊(builing block)，並使用Python和Numpy 構建全開的非線性類神經網路。本課程的所有教材都是免費的

我們使用softmax函數將以前的二進制分類模型擴展為多個分類，並且我們使用第一原理導出非常重要的訓練方法稱之為“反向傳播 (backpropagation)”。我會向你說明如何在Numpy中反向傳播代碼，首先是“緩慢的方式”，然後是“快速的方式”使用Numpy功能。

接下來，我們使用 Google 的新 TensorFlow 程式庫實現一個類神經網路。

如果你有興趣開始朝向成為深度學習專業人士這個目標，或者如果你對機器學習和資料科學感興趣，那麼你應該參加這門課程。我們超越了基本模型，例如邏輯回歸和線性回歸，我向你展示一些自動學習特徵的東西。

本課程為你提供了許多實用範例，以便你可以真正了解如何使用深度學習。在整個課程中，我們將實作一個課程專案，該專案將向你展示如何預測使用者在網站上的操作，這些使用者數據包括使用者是否在移動設備上，他/她們查看的產品數量，他/她們在你的網站上停留多長時間，他/她們是否是回訪使用者，以及他/她們訪問的時間。

課程結束時的另一個專案向你展示如何使用深度學習來進行臉部表情識別。想像一下，能夠預測某人的情緒只是基於一張圖片！

在讓你動手做後有了基礎，我提供了一些最新的類神經網路發展的簡要概述-稍微修改的架構和它們用來做什麼。

注意：

如果你已經知道softmax和反向傳播，並且你想跳過理論的部分然後加速使用更先進的 GPU優化技術，請查看我對此主題的後續課程 – Data Science: Practical Deep Learning Concepts in Theano and TensorFlow

我有其它課程，涵蓋更先進的主題，例如 Convolutional 類神經網路， Restricted Boltzmann Machines， Autoencoders 等等！但是，在進入更進階的主題之前，希望你先對本課程中的教材是有自信的。

本課程重點介紹“如何建造和理解”，而不僅僅是“如何使用”。任何人都可以在閱讀一些文件後的15分鐘內學會如何使用 API。這不是關於“記住事實”，而是關於透過實驗“讓自己理解”。它將教你如何將模型內部中發生了什麼事視覺化。如果你想要的不僅僅是膚淺地看機器學習模型，這個課程是為你設計的。

所有這個課程的程式碼可以從我的github 目錄下：ann_class 下載：/ lazyprogrammer / machine_learning_examples

確定你總是使用 “git pull ”，所以你會有最新的版本！

你已經具備困難的前提條件/知識：

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

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。