早く見て！無料の機械学習コーストップ10

この記事では機械学習入門、ディープラーニング、自然言語処理などを網羅した関連講座10選を紹介します。皆さんの学習のお役に立てれば幸いです。

[[266664]]

画像ソース: pexels

このシリーズの提供者には、Delta Analytics、著者兼トレーナーの Aurélien Geron、ウィスコンシン大学マディソン校、AI 研究者 Goku Mohandas、ウォータールー大学、シンガポール国立大学、ブリティッシュコロンビア大学が含まれます。

出典: Deep Unsupervised Learning Spring (カリフォルニア大学バークレー校)

1. 機械学習の基礎

リンク: http://www.deltanalytics.org/curriculum.html (Delta Analytics)

このレッスンでは、有能なプログラマーになるために必須の知識である基本的なモデリング理論について説明します。各トラックのコースは実用的な例に重点を置いており、読者にデータをモデリングするための実用的なテクニックと強力な（そして驚くほどシンプルな）アルゴリズムを紹介するように設計されています。

2. TensorFlow 2 と Keras によるディープラーニング

ポータル: https://github.com/ageron/tf2_course (Aurélien Geron)

このコースには、TensorFlow 2 と Keras を使用したディープラーニングのトレーニングが含まれます。演習と説明は Jupyter Notebooks で提供されます。

警告: TensorFlow 2.0 プレビュー バージョンにはバグが含まれている可能性があり、最終的な 2.0 バージョンと同一ではない可能性があります。 TF 2 がリリースされると、このコードが正常に動作することを期待します。

3. ディープラーニング

ポータル: http://pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/ (ウィスコンシン大学マディソン校)

このコースでは、人工ニューラル ネットワークとディープラーニング アルゴリズムの理解 (これらの方法の背後にある数学を基本レベルで説明)、コードによるネットワーク モデルの実装、およびこれらのモデルを実際のデータセットに適用することに重点を置いています。扱われるトピックには、画像分類とオブジェクト検出のための畳み込みニューラル ネットワーク、テキスト モデリングのための再帰型ニューラル ネットワーク、新しいデータを生成するための敵対的生成ネットワークなどがあります。

4. 実用的なAI

ポータル: https://github.com/GokuMohandas/practicalAI (Goku Mohandas)

このコースでは、機械学習を学習および使用するための実践的なテクニックを教え、プログラマーが機械学習を使用してデータから貴重な情報を抽出できるようにします。

• PyTorch を使用して基本的な ML アルゴリズムとディープ ニューラル ネットワークを実装します。
• すべてをブラウザ上で実行します。Google Colab のセットアップは必要ありません。
• 書かれたチュートリアルだけでなく、実践的なチュートリアルでオブジェクト指向の、本番環境に対応した ML を学習します。

5. 教師なし深層学習

ポータル: https://sites.google.com/view/berkeley-cs294-158-sp19/home (カリフォルニア大学バークレー校)

このコースでは、ラベル付きデータを必要としないディープラーニングの 2 つの領域、つまりディープ生成モデルと自己教師あり学習について説明します。生成モデルの分野における最近の進歩により、自然画像、音声波形、テキストコーパスなどの高次元の生データの現実的なモデリングが容易になりました。自己教師あり学習の発達により、目に見えないタスクを微調整するための教師あり表現学習と教師なし表現学習の間のギャップが縮まりました。このコースでは、これらのトピックの理論的基礎と最新の有効なアプリケーションを紹介します。

6. ディープラーニング入門

ポータル: http://courses.d2l.ai/berkeley-stat-157/index.html (カリフォルニア大学バークレー校)

このコースでは、理論的な動機と実践的な方法を含むディープラーニングの実践的な応用を紹介します。さらに、多層パーセプトロン、バックプロパゲーション、自動微分、確率的勾配降下法についても紹介します。さらに、このコースでは、シンプルな LeNet から最新の ResNet 高精度モデル アーキテクチャまで、畳み込みネットワークを使用して画像を処理します。次に、LSTM、GRU、注意メカニズムなどのシーケンス モデルと再帰ネットワークについて説明します。このコースでは、複数の GPU や複数のマシンへのスケーリングなど、効率的なプラクティス、最適化、スケーラビリティに重点が置かれています。このコースの目標は、学生が現代のノンパラメトリック推定に必要な理解と実践的なスキルを習得できるようにすることです。

7. 強化学習

ポータル: https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html (ウォータールー大学)

このコースでは、機械が強化学習を実行できるようにするアルゴリズムを設計する方法を学生に教えます。教師あり学習では、機械は正しい決定を含む例から学習します。教師なし学習では、機械はデータ内のパターンを発見することで学習します。強化学習状態では、マシンは部分的、暗黙的、遅延したフィードバックから学習します。 連続的な意思決定タスクでは、マシンが環境またはユーザーと繰り返し対話する必要があり、強化学習はこのタスクの実行に非常に役立ちます。強化学習の応用には、ロボット制御、自動運転車、ゲームプレイ、会話エージェント、支援技術、計算金融、オペレーションズ・リサーチなどがあります。

8. 自然言語処理におけるディープラーニングの応用

ポータル: https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ (シンガポール国立大学)

このコースは、スタンフォード大学の Richard Socher 教授が教えるコース CS 224N「自然言語処理のためのディープラーニング」に基づいています。このコースは、Socher 教授の許可を得て、同教授のコース モデルと文献の選択に従います。

9. 自然言語処理の応用

ポータル: http://people.ischool.berkeley.edu/~dbamman/info256.html (カリフォルニア大学バークレー校)

このコースでは、デジタル化されたテキストを探索および推論する方法としての自然言語処理について検討します。特に、NLP の応用面、つまり、コアアルゴリズムの検討ではなく、Python における既存の NLP メソッドとライブラリの革新的な使用法に焦点を当てます。

これは応用コースであり、各コースには短い講義と Jupyter Notebook を使用したクラス内実験 (それぞれ約 50%) が含まれます。生徒は授業で多くのプログラミングを行い、他の生徒や講師とグループで作業します。学生は各授業の準備をし、授業前に準備資料を提出しなければなりません。出席要件は厳格です。

10. 機械学習の講義

ポータル: https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ (ブリティッシュコロンビア大学)

このコース教材は、UBC大学の教授がまとめた機械学習に関する教材集で、機械学習に関連する多数のトピックを網羅した80以上の講義の教材が含まれています。表記はトピック間でほぼ一貫しており、トピック間のつながりが明確になっています。また、トピックは難易度順に並べられています (難易度が上がり、すべての概念が明確に定義されています)。