🔥Скидка 15% на любой пакет подписки ITVDN по промо-коду - 4RUclips Видеокурсы по Python - itvdn.com/ru/specialities/python-developer? Онлайн обучение с тренером по Python - itvdn.com/ru/live-online/python-developer? Материалы вебинара - itvdn.com/ru/webinars/description/keras?
49:16 если у кого то вылазит ошибка Input 0 of layer "dense" is incompatible with the layer то исправите строку model.... : model.add(k.layers.Dense(units=1, input_shape=[1], activation='linear'))
При запуске нейронки на 48:15 у меня выскакивала ошибка, а все потому, что не указали input_shape=(1,) - model.add(k.layers.Dense(units=1, input_shape=(1,), activation='linear'))
В первом же примере ничего не работает, но зато потратив немного времени на гугл, и найдя решение для проблемы, смог гораздо лучше понять как оно работает.
Введение в нейронные сети: История развития нейронных сетей Основные типы нейронных сетей (обучение с учителем, обучение без учителя) Примеры применения нейронных сетей (классификация, регрессия) Фреймворки для разработки нейронных сетей: PyTorch, TensorFlow, Keras: основные различия и преимущества Использование фреймворков для создания и обучения моделей нейронных сетей Математические основы нейронных сетей: Уравнение нейрона и его графическое представление Функции активации (линейная, сигмоида, ReLU и др.) Метод градиентного спуска и его вариации (стохастический градиентный спуск, моментум) Подготовка данных для обучения нейронных сетей: Преобразование данных в формат, пригодный для обучения (нормализация, one-hot encoding) Разделение данных на тренировочный, валидационный и тестовый наборы Обучение и оценка модели нейронной сети: Компиляция модели и выбор функции потерь, оптимизатора и метрик Обучение модели на тренировочных данных и оценка на валидационных данных Визуализация кривых потерь и точности модели в процессе обучения Применение нейронных сетей на практике: Примеры реальных задач, решаемых с помощью нейронных сетей (распознавание изображений, обработка текста, прогнозирование временных рядов) Использование готовых решений и библиотек для решения задач с нейронными сетями Дополнительные темы и ресурсы: Расширенные архитектуры нейронных сетей (сверточные, рекуррентные, генеративные модели) Исследования и новые подходы в области нейронных сетей Курсы, статьи и ресурсы для дальнейшего изучения нейронных сетей
С датасетами насколько я понимаю сложнее всего = в свое время, чтобы собрать датасеты вместо капчи компании предлагали пользователям идентифицировать картинки на предмет нахождения в них определенных элементов (стоп сигнала, машины, велосипеда и т.п.)
Когда говорят о погоде и озвучивают, к примеру, что ожидаемая вероятность осадков составляет 30 %, многие думают, что речь идет о том, будет дождь или нет. Но на практике дела обстоят по-другому. Это утверждение говорит о том, что дождь пойдет с вероятностью 100%, но произойдет это только на 30% территории, о которой говорится в прогнозе. xD
Хотел повторить за вами, но столкнулся с тем, что не устанавливалась библиотека tensorflow , оказалось всё банально. Она работает только с версией Python 3.7. После установки Python 3.7 всё установилось
Можно ли с вами связаться, чтобы помогли разобраться, много раз пытался дойти до изучения Machine learning. не хотелось бы опять бросить, потому что вначале пути появляются непонятные ошибки. С уважением, подписчик
С отметки 24:10 - там вроде скобки неправильно раскрыты. В прямоугольничке написано: LOSS = Y_true - (a*x + b) = Y_true - a*x + b но по математике должно быть (при раскрытии скобок знак перед которыми стоит минус меняется на противоположный) LOSS = Y_true - (a*x + b) = Y_true - a*x - b Я правильно понял?
Непонятно, в уравнении y=ax+b что такое а и b, почему единица умножается на b и откуда она взялась, какие из переменных мне должны быть известны чтобы решить уравнение, как решить уравнение если не все переменные известны?
Кстати, пакеты не устанавливались на распоследний Python (3.9) скачанный с официального сайта. Только после того как я удалил его и установил версию Python из Microsoft Store (там она 3.8.6) после этого все упомянутые пакеты установились. (У меня Windows 10 Pro x64, 2004 (19041.630), лицензионная) До этого оно писало ошибку: ERROR: Could not find a version that satisfies the requirement tensorflow (from versions: none) ERROR: No matching distribution found for tensorflow Также такую ошибку: ERROR: tensorflow_gpu-2.3.0-cp38-cp38-win_amd64.whl is not a supported wheel on this platform.
Люди всегда хотели создать искусственный интеллект ?))) Люди про свой то интеллект догадались пару тысяч лет назад ))) что за бред ?))) С палкой мамонтов гоняли и думали про искусственный интеллект)) ржу не могу . Всегда хотели )))
Вы знаете, нейросеть строить незачем т. к. этот процесс несёт только разрушение всех систем - за ними только можно наблюдать готовыми самой природой или созданной самим человеком прямым контактом-например программа умный дом накладывается ужена готовую дома систему. Подобное строительство сети идёт про процессам, энергия бородавок образования-видов которых множество. Тем самым вы не строите нейросеть-вы строите вирусы.
![[DeepLearning | видео 1] Что же такое нейронная сеть?](http://i.ytimg.com/vi/RJCIYBAAiEI/mqdefault.jpg)
🔥Скидка 15% на любой пакет подписки ITVDN по промо-коду - 4RUclips
Видеокурсы по Python - itvdn.com/ru/specialities/python-developer?
Онлайн обучение с тренером по Python - itvdn.com/ru/live-online/python-developer?
Материалы вебинара - itvdn.com/ru/webinars/description/keras?
49:16 если у кого то вылазит ошибка
Input 0 of layer "dense" is incompatible with the layer
то исправите строку model.... :
model.add(k.layers.Dense(units=1, input_shape=[1], activation='linear'))
Спасибо! Очень помог
При запуске нейронки на 48:15 у меня выскакивала ошибка, а все потому, что не указали input_shape=(1,) - model.add(k.layers.Dense(units=1, input_shape=(1,), activation='linear'))
То же самое получилось, пока ваши две строки не вставил в код.
спасибо👍
Супер вебинар, спасибо большое. Насчёт федеративного обучения в МО можете рассказать?
Код для дождя и зонтика не работает. Ругается на строку fit_results = model.fit(x=input_data, y=output_data, epochs=100)
ей не нравится что массив одномерный. исправьте входные на input_data = np.array([0.3, 0.7, 0.9]).reshape(-1, 1)
output_data = np.array([0.5, 0.9, 1.0]).reshape(-1, 1)
Можно ли обучить модель на керасе и потом на плюсы перенести в микроконтроллер уже обученную?
Просто узнав значения весов после обучения
01:24:55 зачем мы передаем в метод make_supervised поле data_frame если в методе всё равно берем его из глобальной переменной?
В первом же примере ничего не работает, но зато потратив немного времени на гугл, и найдя решение для проблемы, смог гораздо лучше понять как оно работает.
Введение в нейронные сети:
История развития нейронных сетей
Основные типы нейронных сетей (обучение с учителем, обучение без учителя)
Примеры применения нейронных сетей (классификация, регрессия)
Фреймворки для разработки нейронных сетей:
PyTorch, TensorFlow, Keras: основные различия и преимущества
Использование фреймворков для создания и обучения моделей нейронных сетей
Математические основы нейронных сетей:
Уравнение нейрона и его графическое представление
Функции активации (линейная, сигмоида, ReLU и др.)
Метод градиентного спуска и его вариации (стохастический градиентный спуск, моментум)
Подготовка данных для обучения нейронных сетей:
Преобразование данных в формат, пригодный для обучения (нормализация, one-hot encoding)
Разделение данных на тренировочный, валидационный и тестовый наборы
Обучение и оценка модели нейронной сети:
Компиляция модели и выбор функции потерь, оптимизатора и метрик
Обучение модели на тренировочных данных и оценка на валидационных данных
Визуализация кривых потерь и точности модели в процессе обучения
Применение нейронных сетей на практике:
Примеры реальных задач, решаемых с помощью нейронных сетей (распознавание изображений, обработка текста, прогнозирование временных рядов)
Использование готовых решений и библиотек для решения задач с нейронными сетями
Дополнительные темы и ресурсы:
Расширенные архитектуры нейронных сетей (сверточные, рекуррентные, генеративные модели)
Исследования и новые подходы в области нейронных сетей
Курсы, статьи и ресурсы для дальнейшего изучения нейронных сетей
Спасибо. Все доступно объяснили. Было бы интересно разобраться как подготовить датасет из изображений для дальнейшей классификации.
С датасетами насколько я понимаю сложнее всего = в свое время, чтобы собрать датасеты вместо капчи компании предлагали пользователям идентифицировать картинки на предмет нахождения в них определенных элементов (стоп сигнала, машины, велосипеда и т.п.)
Благодарю добрый человек за отличный урок! Вроде многое понял!
Когда говорят о погоде и озвучивают, к примеру, что ожидаемая вероятность осадков составляет 30 %, многие думают, что речь идет о том, будет дождь или нет. Но на практике дела обстоят по-другому. Это утверждение говорит о том, что дождь пойдет с вероятностью 100%, но произойдет это только на 30% территории, о которой говорится в прогнозе. xD
Хотел повторить за вами, но столкнулся с тем, что не устанавливалась библиотека tensorflow , оказалось всё банально. Она работает только с версией Python 3.7. После установки Python 3.7 всё установилось
Можно ли с вами связаться, чтобы помогли разобраться, много раз пытался дойти до изучения Machine learning. не хотелось бы опять бросить, потому что вначале пути появляются непонятные ошибки. С уважением, подписчик
Отличные примеры и уроки! Не могли бы Вы рассмотреть, допустим, создание нейросети для распознавания заболеваний на снимках КТ или МСКТ?
можно! а где взять приличного размера датасет для этого?
@@alexandrosipov4186 добрый день, вы занимаетесь созданием ИНС ? хотел бы поинтересоваться насчёт них, нужно для учебы
@@yurikolosov4392 немного да
С отметки 24:10 - там вроде скобки неправильно раскрыты.
В прямоугольничке написано:
LOSS = Y_true - (a*x + b) = Y_true - a*x + b
но по математике должно быть (при раскрытии скобок знак перед которыми стоит минус меняется на противоположный)
LOSS = Y_true - (a*x + b) = Y_true - a*x - b
Я правильно понял?
вбил полностью код первого примера, проверил все требования модулей, ничего не работает! не могу понять... Есть, кто разобрался?ссс
Благодарю! 👍🔥💯
Спасибо !
Очень информативно
Большое спасибо! очень интересно, все получилось.
Примерно после 1:15:00 пошел просто код практически без объяснений...
Непонятно, в уравнении y=ax+b что такое а и b, почему единица умножается на b и откуда она взялась, какие из переменных мне должны быть известны чтобы решить уравнение, как решить уравнение если не все переменные известны?
что такое полносвязный?) есть не полносвязный? и почему только трейн и тест без валидации
Вы бы опубликовали готовый, рабочий код, а то я ваш переписал, но ошибки получаю.
Если ещё нужен, то могу скинуть
@@WitcherCoin нужен
@@WitcherCoin А можешь тоже скинуть?
@@WitcherCoin И мне)))
ГОУ более продвинутое видео по керасу!
Кстати, пакеты не устанавливались на распоследний Python (3.9) скачанный с официального сайта.
Только после того как я удалил его и установил версию Python из Microsoft Store (там она 3.8.6) после этого все упомянутые пакеты установились.
(У меня Windows 10 Pro x64, 2004 (19041.630), лицензионная)
До этого оно писало ошибку:
ERROR: Could not find a version that satisfies the requirement tensorflow (from versions: none)
ERROR: No matching distribution found for tensorflow
Также такую ошибку:
ERROR: tensorflow_gpu-2.3.0-cp38-cp38-win_amd64.whl is not a supported wheel on this platform.
очень полезно. а где можно посмотреть еще ваши уроки по нейронкам (Keras) ?
Это рядовое нейронное ядро, которое внезапно умеет думать.
Очень интересно, спасибо
Pclass можно было привести в бинарное представление 01,10,11 и вместо 3 х колонок, было бы 2 колонки
он точно сеньор?)))
Понравилось
можно средствами numpy подготовить данные
input_headlines = ['Age', 'Sex', 'Pclass']
input_data = np.array(data_frame[input_headlines])
input_data[:, 0] = list(map(lambda age: age/100, input_data[:, 0]))
input_data[:, 1] = list(map(lambda sex: {'male': 0, 'female': 1}.get(sex), input_data[:, 1]))
pcls = np.array(list(map(lambda pclass: {1: (1, 0, 0), 2: (0, 1, 0), 3: (0, 0, 1)}.get(pclass), input_data[:, 2])))
con = np.concatenate((input_data[:, :2], pcls), axis=1)
encoded_inputs = con.astype('float32')
Здравствуйте, у меня среди project interpriter нет ничего вообще чтобы выбрать(не то, что keras preprocessong), нужно заранее что-то установить?
круто
Ну где там компьютер вижн?)
а Colab-ом пользоваться религия не позволяет? или по "полчаса" настраивать среду разработки это прям особый кайф какой-то? особенно для зрителей.
У кого есть рабочий код этого видео, сбросьте пожалуйста
-давай информационную безопасность населению, зети системы (от слова зять)!
Этот код можно запустить под Андроид?
Лектор не в теме,несет пургу,но к счастью это обнаруживается в самом начале.
слабенький курс, но местами было интересно. В любом случае спасибо
Не курс слабенький, а у тебя завышеные критерии. Но это не плохо. Это индивидуально.
кайф
Норм 2 плюсика в карме
перепутал нейрон и нервную клетку
То есть, то есть, то есть, то есть, то есть, то есть
Спасибо, конечно, хоть за такой вебинар, но это невозможно слушать и понимать одновременно
Вообще не понятно объясняет
кулер
Люди всегда хотели создать искусственный интеллект ?))) Люди про свой то интеллект догадались пару тысяч лет назад ))) что за бред ?))) С палкой мамонтов гоняли и думали про искусственный интеллект)) ржу не могу . Всегда хотели )))
Вы знаете, нейросеть строить незачем т. к. этот процесс несёт только разрушение всех систем - за ними только можно наблюдать готовыми самой природой или созданной самим человеком прямым контактом-например программа умный дом накладывается ужена готовую дома систему. Подобное строительство сети идёт про процессам, энергия бородавок образования-видов которых множество. Тем самым вы не строите нейросеть-вы строите вирусы.
Что за хрень ты написала? Хотя бы прочитай свой бред, прежде чем отправлять
Вставлю свои 5 копеек. ИМХО (это имхо) быстрее реализовать всё-таки через серии/датафреймы, т.к. всё упрощается.
pd.concat([df1.apply(lambda age: age/max_age), df2.apply(lambda gend: {"male": 0, "female": 1}.get(gend)), df3.apply(lambda pcl: {1:[1,0,0], 2:[0,1,0], 3:[0,0,1]}.get(pcl))], axis=1)
Возвращает понятный датафрейм. Думаю, что это даже не самый рациональный способ преобразований, есть быстрее (scikit-у привет)!
Age Sex Pclass
0 0.22 0 [0, 0, 1]
1 0.38 1 [1, 0, 0]
2 0.26 1 [0, 0, 1]
3 0.35 1 [1, 0, 0]
4 0.35 0 [0, 0, 1]