Después del curso de ML de Andrew Ng, ¿debo hacer el curso de red neuronal de Geoffrey Hinton antes de hacer un aprendizaje profundo? ¿Cuánto conocimiento de redes neuronales es lo suficientemente bueno como para comenzar a hacer un aprendizaje profundo?

¡Definitivamente deberías ver el curso de Geof Hinton sobre Deep Learning! No te importa tanto que algún material esté un poco desactualizado o que él no escriba tantas matemáticas.
El curso de Geoff Hinton no tiene precio debido a las profundas ideas que puede brindarle sobre conceptos complejos con algunos comentarios o comentarios casuales o su propia forma de ver las cosas.
Sin embargo, necesitará algunos conocimientos matemáticos y algunos conocimientos preexistentes sobre redes neuronales y / o sistemas complejos para poder traducir lo que está diciendo en material práctico y práctico. Pero hay bastantes buenos cursos para esta parte.
Y es posible que deba verlo más de una vez también.
Yo personalmente vi todo el curso dos veces mientras hacía ejercicio en el gimnasio. Siempre me dio nuevas ideas sobre cómo abordar problemas prácticos.

El curso de Geoffrey Hinton titulado Neural Networks se enfoca en el aprendizaje profundo.

Sin embargo, se ha vuelto obsoleto debido a los rápidos avances en el aprendizaje profundo en los últimos años. Además, pasa mucho tiempo en algunas ideas (por ejemplo, redes bayesianas profundas) que han caído en desgracia.

Por otro lado, es ideal para no especialistas que no tienen una sólida formación en matemáticas.

Entonces, si eres un principiante completo, te recomendaría tomar ese curso, pero tal vez solo hasta la semana 10. Las conferencias son lo suficientemente livianas como para que las escuche durante mi viaje diario en metro por Londres, y creo que uno puede incluso terminarlas en una. 4-5 horas sentado.

Creo que al final, ya tendría suficientes antecedentes para jugar con algunos códigos y modelos, por ejemplo, usar AlexNet para la clasificación de imágenes, etc.

Luego puede pasar a cursos más avanzados como el de Oxford (por Nando de Freitas).

No puedo recomendar tanto el curso de Hinton. Intenta cubrir demasiados temas, pero al mismo tiempo trata de eliminar las matemáticas (lo cual no creo que sea algo agradable) y no profundiza.

En cambio, recomendaría saltar directamente al aprendizaje profundo. Una de las posibles opciones sería hacer el curso de Andrej Karpathy en Stanford, que se centra en redes neuronales convolucionales, pero también toca redes recurrentes y redes adversas generativas.

El enlace al curso: CS231n: Redes neuronales convolucionales para el reconocimiento visual

El enlace a los videos: CS231n Invierno 2016 Stanford – YouTube

Bien podría ser mi curso favorito, así que échale un vistazo.

Simplemente completar un curso en línea no es suficiente. Necesitas ensuciarte las manos e intentar implementar cosas. Durante esta fase de implementación es donde te encuentras con muchos desafíos inesperados y aprender a superarlos juega un papel importante.

Básicamente, esto ayuda a cubrir la brecha entre el conocimiento teórico y la implementación real. Hay muchos conjuntos de datos de código abierto disponibles, elija uno y comience a implementar. Al hacer esto junto con el curso, obtendrá un agarre firme. ATB 🙂

El padrino del aprendizaje profundo no siempre es el mejor maestro del aprendizaje profundo. ¡Creo que la clase CS231n de Andrej Karpathy es MUCHO mejor para los principiantes! Incluso para estudiantes intermedios de redes neuronales convolucionales, el curso sigue siendo un buen lugar para saber más sobre ConvNets / Redes neuronales recurrentes y su combinación.

Primero, tenga sed de Deep Learning viendo las grabaciones de esta escuela de verano de Deep Learning en Stanford este año, que vio a los grandes de todos los campos reunirse para presentar sus temas al público y responder a sus dudas. Desde que sucedió en 2016, fue prácticamente de última generación.

El curso de Hinton es bueno para principiantes, pero me resultó difícil evitar dormir mientras escuchaba su curso. Puede ser su voz hizo eso.

Seguí el curso de Hugo Larochelle sobre redes neuronales y fue una excelente manera de comenzar mi viaje hacia el aprendizaje profundo. 16 horas es todo lo que necesita para obtener las matemáticas detrás de todas las técnicas y la intuición detrás de las arquitecturas anteriores a 2014. Además de la combinación perfecta de matemáticas e intuición, me gusta la forma en que Hugo representa sus diagramas. ¡Fácil enamorarse de!

CS231N, un curso de Andrej Kalpathy sobre Redes neuronales para la visión, habla sobre las Redes neuronales durante un buen tiempo al principio antes de sumergirse en Redes neuronales convolucionales y otras arquitecturas relacionadas con la visión. Se ofrece todos los años y, por lo tanto, de nuevo, está bastante actualizado.

Para estudios más avanzados, el curso de Nando toca muy bien las mejores cosas que surgen en el campo del aprendizaje profundo y el aprendizaje de refuerzo profundo.

Aquellos interesados ​​en las aplicaciones de autos sin conductor que usan Deep RL pueden seguir el curso que actualmente se imparte en el MIT en cars.mit.edu.

Si estás hablando del curso de Andrew Ng, entonces no has hecho nada hasta ahora. Es un curso súper básico sobre aprendizaje automático. Debes entender las matemáticas detrás de cada algoritmo. Su próximo paso debería ser el curso de YouTube de Andrew NG o Aprender de los datos de Abu Mostafa, Caltech.

Probablemente puedas comenzar a aplicarlo después del curso de Andrew Ng.

Tienes una mejor oportunidad de entenderlo si tomas el curso de Hinton.