深度學習 : 以 Python 實踐迴歸神經網路( RNN )

GRU、LSTM + 更現代的深度學習、機器學習和序列資料科學

從這 6.5 小時的課程，你會學到

了解簡單的遞歸單位（Elman 單位）
了解 GRU（Gated Recurrent Unit，門控遞歸單元）
了解 LSTM（Long Short-term Memory Unit，長遠短期記憶單元）
在 Theano 寫下各種遞歸網路
通過時間了解反向傳播( backpropagation )
了解如何減輕消失梯度問題
使用遞歸神經網路解決 XOR 和奇偶性( parity )問題
使用遞歸神經網路進行語言建模
使用 RNNs 生成文本，如詩歌
視覺化詞嵌入( word embeddings )並查找詞向量( word vectors )表示中的模式

要求

微積分
線性代數
Python、Numpy、Matplotlib
在 Theano 寫一個神經網路
了解反向傳播( backpropagation )
機率（有條件和聯合分佈）
使用 Tensorflow 寫一個神經網路

課程說明

就像我在隱馬可夫模型課所說，遞歸神經網路都是關於學習序列的 – 但是，馬可夫模型受馬爾可夫假設的限制，遞歸神經網路不是 – 結果，它們更具表現力、更強大，相較任何我們幾十年來採用但沒有在任務上取得進展。

那麼在這門課程將會有什麼？它將如何建立在以前的神經網路課程和隱馬爾可夫模型上？

在課程的第一部分中，我們將添加時間概念到我們的神經網路。

我將向你介紹簡單遞歸單位( Simple Recurrent Unit )，也稱 Elman 單位。

我們將重新討論 XOR 問題，但我們將擴展它以使它成為奇偶性( parity )問題 – 你會看到一般的前饋神經網路 ( feedforward neural networks ) 將無法解決此問題，但遞歸網路將起作用，因為關鍵是將輸入視為一個序列。

在本課程的下一部分，我們將重新審視遞歸神經網路最流行的應用之一 – 語言建模( language modeling )。

當我們研究馬可夫模型時，我們可以看到此可生成詩歌，且看起來還不錯。我們甚至可以根據他們使用的詞性標籤( tag )的順序來區分這是 2 個不同的詩人所做。

在本課程中，我們將擴展我們的語言模型，使其不再做馬可夫假設。

神經網路另一種流行的語言應用是詞向量( word vectors )或詞嵌入( word embeddings )。最常用的技術叫做 Word2Vec，但我會告訴你如何使用遞歸神經網路來創建詞向量。

在接下來的部分中，我們將看看非常受歡迎的 LSTM ( Long Short-term Memory Unit ，長遠短期記憶單元)，以及更加現代化和高效的 GRU ( Gated Recurrent Unit，門控遞歸單元 )，它們已被證明具有相當的性能。

我們會將這些應用於一些更實際的問題，例如從維基百科資料中學習語言模型並將結果中的詞嵌入視覺化。

所有這門課程所需的材料都可以免費下載和安裝。我們將在 Numpy、Matplotlib 和 Theano 中完成大部分工作。我隨時可以回答你的問題，並在你的資料科學旅程中提供幫助。

本課程著重於“如何構建和理解”，而不僅僅是“如何使用”。讀完一些文件後，任何人都可以在 15 分鐘內學會使用 API。這不是關於 “記住事實”，而是關於通過實驗 “親眼看到”。它會教你如何視覺化模型內部發生的事情。如果你不僅僅需要對機器學習模型進行膚淺的了解，本課程將很適合你。

我們在課堂中見！

注意：

所有的課程中的程式碼都可以從我的github下載：

/lazyprogrammer/machine_learning_examples

在目錄中：rnn_class

確保你總是用“ git pull ”，如此你總是拿到最新版本！

必要條件 / 假設你已具備以下知識 :

微積分
線性代數
機率（有條件和聯合分配）
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
深度學習：反向傳播( backpropagation )，XOR 問題
可以在 Theano 和 Tensorflow 中編寫一個神經網路

提示(通過課程)：

以 2x 觀看。
拿手寫筆記。這將大大增加你記住訊息的能力。
寫下方程。如果你不這樣做，我保證它看起來像亂碼。
在討論板上提出許多問題。越多越好！
意識到大多數練習將需要幾天或幾週才能完成。
自己編寫程式碼，不要只是坐在那裡看我寫程式。

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

如果你想升級深度學習，請參加這門課程。
如果你是一名學生或專業人士，希望將深度學習應用於時間序列或序列資料，請參加本課程。
如果你想了解單詞嵌入和語言建模，請參加這門課程。
如果你想提高你使用隱馬爾可夫模型( HMM )的表現，請參加這門課程。
如果你對引發機器翻譯新發展的技術感興趣，請參加本課程。
如果你不知道深度學習，不要修這門課，請查本課程要求的必修課。

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。