✅ Курс с задачами: stepik.org/a/186169? ✅ Telegram: t.me/PyTorch_for_you ✅ Плейлист по нейронным сетям с Pytorch: ruclips.net/p/PLBP4Q3FNSLK2rtGPBsK-aMAetYj-8yg_1 ► Курс по Numpy с задачами: stepik.org/a/180256? ► Telegram: t.me/numpy_for_you ► Плейлист по Numpy: ruclips.net/p/PLBP4Q3FNSLK3dd-3lHjPij-dMSgNskoF6 ► Курс по Pandas с задачами: stepik.org/a/122126? ► Telegram: t.me/pandas_for_you ► Плейлист по Pandas: ruclips.net/p/PLBP4Q3FNSLK2EujXiPUeTIOVnydZS8YJk Мой Telegram канал: t.me/dubinin_ser Приветствую вас, друзья! Если вы интересуетесь машинным обучением и хотите научиться создавать собственные модели глубокого обучения, то вы попали по адресу! PyTorch - это одна из самых популярных библиотек глубокого обучения, которая предоставляет нам инструменты для создания и обучения нейронных сетей. Она основана на языке программирования Python и обладает простым и интуитивно понятным интерфейсом, что делает ее отличным выбором для начинающих и опытных разработчиков. В этой серии видео мы будем изучать основы работы с PyTorch. Затем мы погрузимся в мир нейронных сетей, изучив различные типы слоев. Мы также рассмотрим различные архитектуры нейронных сетей, такие как сверточные нейронные сети. Кроме того, мы научимся загружать и предобрабатывать данные для обучения моделей, а также оценивать их производительность. Мы рассмотрим различные методы оптимизации и регуляризации моделей, чтобы достичь максимальной точности и обобщающей способности. Не теряйте времени и присоединяйтесь к нам в этом захватывающем путешествии в мир нейронных сетей и PyTorch! Тайм-коды: 00:00 - Введение. 00:22 - Способы обучения. 00:58 - Разметка данных. 02:27 - Регрессия и классификация. 03:33 - Подготовка данных. 05:11 - Построение модели. 06:09 - Тренировка модели. 08:15 - Тестирование модели. Теги: #Pytorch #AI ●●●●●●●●●●●●●●●●●●●● ► Поддержать автора:
Вопрос по части разделения тренировочной выборки на train, validation parts. Имеет ли смысл лучше использовать кросс-валидацию на нескольких фолдах(например, 5),а уже потом на тестовой выборке сравнить результаты по метрикам на кросс-валидации и тестовой и так определить, есть ли переобучение (разница по метрикам существенная) или всё ок(разница минимальная) ?
Никакого смысла в этом нет. Вы написали хорошую фразу: ",а уже потом ...". А как понять, что это "потом" наступило? Ведь после того как вы подадите на вход модели тестовые данные и результаты вас не устроят, вы будете менять гиперпараметры модели, тем самым подгоняя ее под тестовую выборку. Как итог, у вас не будет данных, на которых модель не обучалась. И верить такой нейронной сети уже нельзя, её результат нечем проверить.
@@dubinin_s Спасибо за оперативный ответ. Частенько вижу и на Кэгле, как многие делают различные кросс-валидации (стратифицированные и т.д.), якобы так увидят "честный" (незавышенный) результат по метрикам(например, ROC-AUC). Но в вопросе сплита исходного датасета на тренировочную, валидационную и тестовую я с Вами солидарен. Достаточно при сплите указать параметр "stratify", чтобы объекты разных классов попали пропорционально в каждую подвыборку и этого будет достаточно и можно обойтись без "костылей" в виде кросс-валидаций.
![[DeepLearning | видео 1] Что же такое нейронная сеть?](http://i.ytimg.com/vi/RJCIYBAAiEI/mqdefault.jpg)
✅ Курс с задачами: stepik.org/a/186169?
✅ Telegram: t.me/PyTorch_for_you
✅ Плейлист по нейронным сетям с Pytorch: ruclips.net/p/PLBP4Q3FNSLK2rtGPBsK-aMAetYj-8yg_1
► Курс по Numpy с задачами: stepik.org/a/180256?
► Telegram: t.me/numpy_for_you
► Плейлист по Numpy: ruclips.net/p/PLBP4Q3FNSLK3dd-3lHjPij-dMSgNskoF6
► Курс по Pandas с задачами: stepik.org/a/122126?
► Telegram: t.me/pandas_for_you
► Плейлист по Pandas: ruclips.net/p/PLBP4Q3FNSLK2EujXiPUeTIOVnydZS8YJk
Мой Telegram канал: t.me/dubinin_ser
Приветствую вас, друзья! Если вы интересуетесь машинным обучением и хотите научиться создавать собственные модели глубокого обучения, то вы попали по адресу!
PyTorch - это одна из самых популярных библиотек глубокого обучения, которая предоставляет нам инструменты для создания и обучения нейронных сетей. Она основана на языке программирования Python и обладает простым и интуитивно понятным интерфейсом, что делает ее отличным выбором для начинающих и опытных разработчиков.
В этой серии видео мы будем изучать основы работы с PyTorch. Затем мы погрузимся в мир нейронных сетей, изучив различные типы слоев. Мы также рассмотрим различные архитектуры нейронных сетей, такие как сверточные нейронные сети.
Кроме того, мы научимся загружать и предобрабатывать данные для обучения моделей, а также оценивать их производительность. Мы рассмотрим различные методы оптимизации и регуляризации моделей, чтобы достичь максимальной точности и обобщающей способности.
Не теряйте времени и присоединяйтесь к нам в этом захватывающем путешествии в мир нейронных сетей и PyTorch!
Тайм-коды:
00:00 - Введение.
00:22 - Способы обучения.
00:58 - Разметка данных.
02:27 - Регрессия и классификация.
03:33 - Подготовка данных.
05:11 - Построение модели.
06:09 - Тренировка модели.
08:15 - Тестирование модели.
Теги: #Pytorch #AI
●●●●●●●●●●●●●●●●●●●●
► Поддержать автора:
Приятная подача, все понятно спасиьо за видос
Очень интересно буду изучать!!
спасибо
Красавчик 👍🏻👍🏻👍🏻
Хорошо объясняете, на степик не планируете добавить курс?
Курс на Stepik готовится, хочется чтобы люди чему-то учились, а не просто видео смотрели. Примерно через месяц должен появится.
@@Studio-d4g3g5 он там установлен.
@@dubinin_s на степике написано что версия torch==0.3.1
@@Studio-d4g3g5 ну вот, а говорите, что его нет))
@@Studio-d4g3g5 все, что для курса нужно, там есть.
угорнул с фразы "Действительно ли она обучается, или делает вид, что обучается". Нейронка шалун, оказывается 😂😂
Вопрос по части разделения тренировочной выборки на train, validation parts. Имеет ли смысл лучше использовать кросс-валидацию на нескольких фолдах(например, 5),а уже потом на тестовой выборке сравнить результаты по метрикам на кросс-валидации и тестовой и так определить, есть ли переобучение (разница по метрикам существенная) или всё ок(разница минимальная) ?
Никакого смысла в этом нет.
Вы написали хорошую фразу: ",а уже потом ...". А как понять, что это "потом" наступило? Ведь после того как вы подадите на вход модели тестовые данные и результаты вас не устроят, вы будете менять гиперпараметры модели, тем самым подгоняя ее под тестовую выборку.
Как итог, у вас не будет данных, на которых модель не обучалась. И верить такой нейронной сети уже нельзя, её результат нечем проверить.
@@dubinin_s Спасибо за оперативный ответ. Частенько вижу и на Кэгле, как многие делают различные кросс-валидации (стратифицированные и т.д.), якобы так увидят "честный" (незавышенный) результат по метрикам(например, ROC-AUC). Но в вопросе сплита исходного датасета на тренировочную, валидационную и тестовую я с Вами солидарен. Достаточно при сплите указать параметр "stratify", чтобы объекты разных классов попали пропорционально в каждую подвыборку и этого будет достаточно и можно обойтись без "костылей" в виде кросс-валидаций.
Спасибо