Publié dans · 17 minutes de lecture · 29 juillet 2018
--
Vous avez donc vu les nouvelles récentes sur la façon dont l'intelligence artificielle (IA) change tout. Cependant, l'idée de l'IA existe depuis longtemps. Les machines qui pensent et parlent comme des humains ont inspiré des films et des histoires pendant des décennies.
Mais quel est le problème? Pourquoi l'IA s'est-elle améliorée de plus en plus au cours des dernières années ?
L'un des principaux moteurs du boom récent est le remix de nouvelles technologies avec des idées éprouvées. Entrez dans l'apprentissage en profondeur.
Apprentissage en profondeur en une phrase : l'extraction en couches de fonctionnalités à partir d'une source d'informations.
Cette définition variera selon l'endroit où vous regardez mais pour l'instant, elle suffira.
L'apprentissage en profondeur utilise plusieurs couches de réseaux de neurones pour extraire les informations d'une source d'entrée vers une source de sortie plus structurée. Les mots clés ici sont plusieurs couches.
L'idée des réseaux de neurones existe depuis les années 1940. Alors pourquoi n'ont-ils fait que récemment une si grande résurgence?
Deux raisons.
1. Plus de données.
2. Plus de puissance de calcul.
Pour qu'un système d'apprentissage en profondeur recueille des informations tangibles à partir d'un ensemble d'informations, il doit y en avoir beaucoup (bien que les gens travaillent activement pour résoudre ce problème). Et partout où vous regardez dans le monde, les données sont converties, par le texte, par la vidéo, par l'audio. Nous avons enregistré plus d'informations au cours des 5 dernières années que toute l'histoire humaine.
D'accord, cool. Nous avons beaucoup plus de données que jamais. Mais j'ai une étagère de livres à la maison et ils ne me rendent pas plus intelligent simplement assis là. Je dois les lire pour savoir ce qu'il y a dedans.
C'est là que plus de puissance de calcul entre en jeu. Notre bande passante est limitée. Nous ne pouvons lire qu'à une certaine vitesse. Un bon livre peut prendre un mois ou plus pour passer.
Il est impossible, même avec tous les cerveaux humains de la planète, de traiter toutes les données que nous collectons.
L'informatique à la rescousse !
Les percées en matière de matériel informatique et d'accessibilité ont rendu plus facile que jamais l'analyse de toutes les informations supplémentaires que nous avons collectées grâce à l'apprentissage en profondeur. À l'aide de nos ordinateurs portables, vous et moi pouvons désormais charger un point d'accès à un entrepôt d'ordinateurs, le tout dans le confort de nos chaises longues préférées.
Tout d'un coup, si nous avons un grand ensemble de données dont nous aimerions recueillir des informations, nous pouvons faire ce qui prenait auparavant des milliers d'heures humaines (potentiellement des années) dans le temps qu'il faut pour faire une bonne sieste (certaines choses prendra un peu plus de temps).
Très bien avec l'aperçu de la technologie. Alors, vous êtes intéressé par l'apprentissage en profondeur? Eh bien, cet article est là pour vous aider. C'est un aperçu de l'un des meilleurs cours d'apprentissage en profondeur à votre disposition en ce moment.
Sérieusem*nt, si vous voulez gagner du temps, rendez-vous surCourseraet recherchez "apprentissage en profondeur" dès maintenant, choisissez lespécialisation deeplearning.aiet entrez parmi eux.
Toujours ici ? Doux. Commençons par pourquoi.
Vous avez probablement déjà expérimenté certains des résultats de l'apprentissage en profondeur. Peut-être même sans le savoir.
Le système de marquage de photos de Facebook l'utilise. Leur reconnaissance faciale est aussi bonne que celle des humains.
Tous (ou presque) les produits Google l'utilisent.
Votre smartphone en utilise probablement une version pour améliorer l'autonomie de sa batterie dans le temps.
Uber l'utilise pour s'assurer que vous êtes connecté avec le bon chauffeur au bon moment.
Mais à mesure que la quantité d'informations dont nous disposons sur le monde augmente, les cas d'utilisation de l'apprentissage en profondeur augmentent également.
Les avocats l'utilisent pour comprendre comment prendre de meilleures décisions concernant les affaires juridiques, les agents immobiliers l'utilisent pour mieux évaluer les maisons, les médecins l'utilisent pour les aider à établir un meilleur diagnostic ».
Andrew Ng, l'instructeur du cours, qualifie l'IA de nouvelle électricité.
L'IA est la nouvelle électricité. —André Ng
À l'heure actuelle, l'IA est limitée à nos smartphones et haut-parleurs intelligents, mais bientôt, elle sera injectée dans tout ce avec quoi nous interagissons. Et comme maintenant, la plupart se dérouleront dans les coulisses.
La spécialisation deeplearning.ai est dédiée à vous enseigner des techniques de pointe et à les construire vous-même.
Si vous êtes un développeur de logiciels qui souhaite se lancer dans la création de modèles d'apprentissage en profondeur ou si vous avez une petite expérience en programmation et que vous souhaitez faire de même, ce cours est pour vous.
Si vous cherchez simplement à comprendre certains cas d'utilisation et comment cela pourrait affecter votre industrie, je chercherais ailleurs.
Les compétences en apprentissage profond et en apprentissage automatique sont recherchées. Si vous êtes après un changement de carrière, comme je l'étais, ce cours vous mettra sur la voie.
Quelle que soit votre raison. Assurez-vous d'en avoir un avant de commencer. Écrivez-le Cela vous donnera quelque chose à quoi vous référer lorsque l'apprentissage devient difficile. Ce sera un rappel de la raison pour laquelle vous avez commencé.
Vous avez votre pourquoi. Vous voulez construire des technologies qui ont un impact sur le monde. Ou vous souhaitez recueillir de meilleures informations à partir des données de votre entreprise. Ou vous voulez un nouveau travail. Super. Ce sont toutes des raisons valables.
Avoir une raison est la première étape. Maintenant, de quoi avez-vous besoin pour commencer ?
Quels sont les prérequis ?
La page du cours répertorie l'expérience en programmation et une connaissance de base des mathématiques et de l'apprentissage automatique comme prérequis.
Python est le langage de choix pour le cours et une grande partie de l'apprentissage en profondeur. Donc, si vous avez au moins quelques mois d'expérience en Python ou si vous avez de l'expérience avec d'autres langages de programmation et idéologies, vous devriez être bien placé.
Quant aux maths, je n'ai jamais suivi de cours de maths en dehors du lycée. Si j'avais besoin d'apprendre des mathématiques pour le cours, j'allais à la Khan Academy.
Certains sujets mathématiques abordés dans le cours (tous liés à la Khan Academy).
Avant de commencer le cours, je ne comprenais pas tout cela en profondeur. Andrew Ng, le conférencier principal, fait un excellent travail en expliquant suffisamment de mathématiques pour vous aider à démarrer pendant les cours. Pour tout ce qui est plus profond, vous trouverez les liens ci-dessus d'une grande aide.
En ce qui concerne l'expérience d'apprentissage automatique, j'avais terminéCours d'apprentissage automatique d'Andrew sur Courseraavant de commencer. Est-ce obligatoire à 100 % ? Non. Mais cela a aidé avec quelques concepts ici et là. Le cours est gratuit cependant, il se fait en Matlab/Octave ce que j'ai trouvé un peu plus difficile car j'étais habitué à Python.
Dans l'ensemble, si vous avez une formation en mathématiques au secondaire et que vous êtes à l'aise pour coder des fonctions de quelques lignes en Python, vous en avez assez pour commencer.
Vous êtes donc prêt à commencer. Épique. Qu'allez-vous réellement apprendre ?
Le cours est divisé en cinq parties. Chacun peut être fait individuellement, mais j'ai trouvé qu'ils étaient de grands compliments les uns pour les autres.
L'attribution du temps pour chaque partie varie en durée entre 2 et 4 semaines et a un temps d'étude recommandé de 4 à 5 heures/semaine. Je pouvais généralement faire une semaine de cours et d'évaluation en une journée de 6 à 8 heures, pauses comprises. Cela signifie que l'ensemble du cours m'a pris environ 4 à 5 semaines.
Partie 1 : Réseaux de neurones et apprentissage en profondeur
Cette section présente le concept de réseaux de neurones et d'apprentissage en profondeur. Un peu comme l'introduction de ce post mais avec du code réel et beaucoup plus de profondeur.
Vous commencerez par créer vos propres réseaux de neurones à partir de zéro et apprendrez une chose ou deux sur la bibliothèque numérique NumPy de Python.
Que signifie partir de zéro ?
À partir de zéro, c'est sans utiliser de frameworks. Imaginez qu'un framework soit une collection de code que quelqu'un d'autre a écrit pour rendre le code que vous écrivez plus petit (moins de lignes). Certains frameworks d'apprentissage en profondeur populaires sont Keras, TensorFlow et PyTorch. Chaque fois que vous voyez un article intitulé "Les meilleurs résultats de tous les temps en 11 lignes de code", l'article utilise probablement l'un de ces frameworks.
Ces mêmes 11 lignes de code peuvent s'avérer être plus de 50 en NumPy/Python pur. Cette première section vous guidera à travers les 50 lignes complètes pour comprendre ce que font les frameworks dans les coulisses.
Partie 2 : Amélioration des réseaux de neurones profonds : réglage, régularisation et optimisation des hyperparamètres
L'apprentissage en profondeur est souvent appelé une boîte noire, ce qui signifie que votre modèle apprend des choses mais que vous ne savez pas exactement comment il les apprend.
Le problème avec cela est qu'il peut être difficile d'améliorer votre modèle s'il ne fonctionne pas comme vous l'espériez.
En parcourant la partie 2, vous découvrirez des éléments courants d'apprentissage en profondeur tels que le réglage des hyperparamètres, l'initialisation, l'optimisation, la descente de gradient par mini-lot et la régularisation.
Ouah. Ralentir. C'est quoi tout ce jargon ?
Pour l'instant, considérez-les simplement comme des moyens de tirer le meilleur parti de votre réseau de neurones.
Vous aurez également un aperçu de ce que c'est que de diviser vos ensembles de données en ensembles d'entraînement, de validation et de test. Un ensemble de formation est l'endroit où votre réseau de neurones apprendra et les ensembles de validation et de test vous permettront de tester la robustesse de votre réseau sur des données invisibles.
Là où la partie 1 a commencé avec Python et NumPy, la partie 2 vous exposera à l'une des bibliothèques d'apprentissage en profondeur les plus populaires, TensorFlow.
Très bien, vous savez maintenant comment créer votre propre réseau de neurones profonds et vous avez des idées sur certains projets que vous souhaitez entreprendre. Mais comment? La partie 3 a votre dos.
Partie 3 : Structuration des projets d'apprentissage automatique
Cette section est importante, non pas en termes de longueur mais en termes de praticité. C'est une chose de pouvoir construire des systèmes d'apprentissage automatique, mais c'en est une autre de pouvoir les diagnostiquer lorsqu'ils tournent mal et les améliorer pour une utilisation future.
La partie 3 vous présente deux études de cas. Vous êtes mis dans le siège du conducteur pour décider comment un système d'apprentissage en profondeur pourrait être utilisé pour résoudre un problème en leur sein. Ou comment le système actuel d'apprentissage en profondeur pourrait être amélioré.
J'ai vu des équipes perdre des mois ou des années à ne pas comprendre les principes enseignés dans ce cours. —André Ng
Les cours deux et trois sont assez uniques à la spécialisation deeplearning.ai. Je n'ai pas vu beaucoup d'autres cours parler de ces sujets comme Andrew le fait.
Partie 4 : Réseaux de neurones convolutifs
En ce qui concerne la vision par ordinateur, les réseaux de neurones convolutifs (CNN) sont les genoux d'abeille.
L'apprentissage en profondeur est ce qui a donné lieu aux incroyables améliorations de la reconnaissance faciale (vous vous souvenez de la reconnaissance faciale de Facebook ?), de la classification des rapports de radiographie et des systèmes de conduite autonome tels que le pilote automatique de Tesla.
Au cours de la semaine 1, vous découvrirez toutes les pièces qui composent un réseau neuronal convolutif avant une tâche de programmation impliquant la construction de votre propre modèle étape par étape.
Au cours des trois prochaines semaines, Andrew vous montrera comment intégrer le CNN que vous avez créé au cours de la semaine 1 dans un modèle convolutionnel profond (en ajoutant plus de couches). C'est à partir d'ici que vous serez exposé à Keras, un cadre d'apprentissage en profondeur construit au-dessus de la bibliothèque TensorFlow.
Vous vous entraînerez à mettre en œuvre des CNN profonds tels que l'algorithme YOLOv2 pour détecter des objets dans des images et des vidéos. Vous pouvez même télécharger vos propres images, je me suis beaucoup amusé avec ça.
Le projet final consiste à construire un système de reconnaissance faciale pour autoriser uniquement les personnes qui sourient dans votre maison. Transformer celui-ci en réalité peut être utile si vous organisez une fête.
Après la partie 4, vous saurez maintenant comment faire voir les ordinateurs. Mais que se passe-t-il si vous avez un tas de données audio ? Qu'en est-il du texte ? Les CNN pourraient être utilisés pour cela, mais les modèles de séquence sont préférés.
Partie 5 : Modèles de séquence
Vous êtes en Espagne. Et vous avez bu un peu trop de vins espagnols. Maintenant, vous devez trouver une salle de bain, mais vous ne parlez pas un mot d'espagnol. Ne vous inquiétez pas, vous sortez votre type de téléphone dans "salle de bain s'il vous plaît" dans Google Translate. Vous trouvez la personne la plus proche que vous pouvez et pointez votre téléphone. En appuyant sur le bouton du microphone, votre téléphone lit "baño por favor". Votre nouvel ami espagnol sourit et vous indique la rue.
Toute cette interaction a été alimentée par le vin et l'apprentissage en profondeur. Google Translate n'est qu'un exemple de produit qui utilise des modèles de séquence profonde.
Les modèles de séquence sont une sorte de modèle qui prend en compte tout type de données se produisant sur une série temporelle. Pensez aux ondes audio au fil du temps ou aux mots d'une phrase.
Vous commencerez par vous familiariser étape par étape avec les réseaux de neurones récurrents, un type populaire de modèle de séquence. Ensuite, vous utiliserez des cellules de mémoire à court terme (LTSM) pour construire votre propre modèle d'improvisation jazz. Je n'ai jamais été doué pour jouer des instruments, mais grâce à un apprentissage approfondi, j'ai pu apprendre à un ordinateur à jouer un solo de jazz pour moi.
Ensuite, vous couvrirez le traitement du langage naturel (TAL). Vous apprendrez à représenter des mots avec des nombres, puis à former des réseaux de neurones récurrents pour les comprendre. Les ordinateurs comprennent bien mieux les chiffres que les mots.
Pour finir, Andrew vous explique l'utilisation des RNN dans la reconnaissance vocale et la détection de mots déclencheurs. Ces deux techniques nous permettent de dire "Hey Siri, trouve-moi l'itinéraire vers le café le plus proche". "Hey Siri" est le mot déclencheur et l'ensemble du processus de transformation des ondes sonores dans l'air en quelque chose que votre iPhone peut comprendre (une séquence de nombres) est la reconnaissance vocale.
L'apprentissage en profondeur permet aux ordinateurs de mieux reconnaître la parole et le langage naturel, mais il reste encore beaucoup d'améliorations à faire. Tout type d'interaction plus que quelques phrases et conversations de base avec Alexa ou Google Home commence à s'effondrer. Ce genre de problèmes fait de la PNL l'un des domaines les plus passionnants de la recherche en apprentissage profond.
Évaluation
À la fin de chaque semaine de cours, un quiz et un devoir de programmation sont associés à ce que vous avez appris la semaine précédente.
Les devoirs sont hébergés dans Jupyter Notebooks dans le même navigateur Web que le cours. Les Jupyter Notebooks sont une belle interface pour de nombreux types de projets de codage, en particulier la science des données et l'apprentissage en profondeur. Une belle chose à propos de terminer votre évaluation directement dans le navigateur est que la notation est presque instantanée. Vous pouvez voir où vous vous êtes trompé tout de suite.
Chaque élément d'évaluation a un seuil de 80 %. Vous avez échoué à un devoir ou à un quiz ? Aucun problème. Vous obtenez 3 tentatives de soumission toutes les 8 heures. Si vous continuez à échouer, faites une pause et revenez.
Je ne peux pas partager mon code de chacun des devoirs car cela enfreint les directives du cours. Aucun code ne peut être partagé sur des forums ou d'autres sources en ligne. Cependant, vous pouvez poser des questions sur les forums en utilisant un pseudo-code (code qui ressemble à votre problème mais ne révèle pas les détails exacts).
Suppléments
Pour la première moitié de la spécialisation, à la fin de chaque semaine de cours, il y a un entretien avec un super-héros du deep learning. Andrew s'assoit avec des personnes telles que Yann LeCun et Geoffrey Hinton pour discuter de l'état actuel de l'apprentissage en profondeur et de la direction que prend le domaine. Ces entretiens ont été l'une de mes parties préférées du cours.
D'accord, vous savez pourquoi vous voulez étudier l'apprentissage en profondeur et ce que vous allez apprendre, mais où allez-vous pour trouver toutes ces belles informations ?
Vidéos et conférences
Toutes les interviews vidéo et les conférences sont disponibles gratuitement sur lechaîne YouTube deeplearning.ai.
Forums d'évaluation et de cours
Pour accéder aux forums de cours et à l'évaluation, vous devez vous inscrire sur Coursera.
Où tu veux
La beauté de l'apprentissage en ligne signifie que vous pouvez le faire n'importe où. Vous aurez besoin d'un ordinateur avec une connexion Internet pour l'évaluation, mais vous pouvez regarder les conférences vidéo hors ligne via les applications mobiles de Coursera.
Si vous êtes un bon apprenant en solo, l'apprentissage en ligne peut être parfait pour vous. Je passais la plupart de mon temps à étudier seul dans ma chambre. Mais si vous préférez apprendre en groupe, vous voudrez peut-être convaincre certains de vos amis de se lancer dans un apprentissage en profondeur avec vous.
Tout comme la sortie de Netflix de saisons entières à la fois, lorsque vous vous inscrivez au cours, vous n'avez pas à attendre pour accéder au matériel. Vous pourriez tout faire en un marathon de 3 jours si vous le vouliez. Je serais impressionné si vous le faisiez, mais le sommeil aide à cimenter ce que vous avez appris.
Une nouvelle cohorte démarre toutes les deux semaines. Vous pouvez commencer quand vous le souhaitez, mais si vous choisissez l'une de ces dates, d'autres personnes du monde entier étudieront à vos côtés. Ceci est utile car cela signifie que les forums auront des gens qui poseront des questions et y répondront à peu près au même moment que vous.
Vous avez les détails. Vous savez quand commencer, vous savez ce que vous allez apprendre, maintenant comment le faites-vous réellement ?
Il n'y a pas de bonne façon de répondre à cela. Ce qui a fonctionné pour moi pourrait ne pas fonctionner pour vous.
J'ai utilisé Trello pour suivre mes progrès. Trello est une application gratuite qui vous aide à visualiser vos plans. Avant de commencer le cours, j'ai tracé le programme sur un tableau.
Voici à quoi pourrait ressembler un exemple de tableau.
À l'extrême gauche, vous aurez des ressources auxquelles vous devez accéder. La colonne suivante contient des parties du cours que vous n'avez pas encore terminées.
La partie 2 est dans leActioncar c'est ce sur quoi vous travaillez actuellement. Et la partie 1 est déplacée vers leFaitcolonne parce que vous l'avez terminée.
Trello m'aide à visualiser ce que j'ai fait et ce que je dois faire ensuite. Les dates d'échéance m'aident également à rester à jour avec le reste de la cohorte.
Devez-vous respecter la chronologie ?
Non. Vous pouvez le faire aussi vite ou aussi lentement que vous le souhaitez. Vous serez mis à jour avec des rappels des dates d'échéance des évaluations, mais celles-ci ne sont pas obligatoires, elles le sont davantage pour vous garder encouragé et sur la bonne voie.
Pour la perspective, j'ai terminé le cours en environ 4 à 5 semaines en étudiant 6 à 8 heures par jour 3 à 4 jours par semaine.
Comment obtenez-vous de l'aide?
Il est probable que vous rencontriez éventuellement un problème avec votre tâche de programmation. Ou peut-être voulez-vous en savoir plus sur un certain sujet. Lorsque cela se produit, les forums sont vos amis.
Comme le cours est sorti depuis quelques mois maintenant, il y a un tas de questions auxquelles on a déjà répondu. Une recherche rapide de votre problème se traduira souvent par quelques étudiants ayant des problèmes similaires.
Si votre question n'est pas répondue, n'ayez pas peur de demander de l'aide. Peu importe à quel point vous pensez que votre problème peut être inutile, c'est toujours un problème. Penser que ma question était stupide a retenu mon apprentissage dans le passé. Maintenant, je réalise que penser que votre question est stupide, est stupide.
Lorsque vous posez une question, soyez le plus clair possible. Lisez-le à haute voix pour voir si cela a du sens. Souvent, j'ai été tellement pris par un problème que j'oublie de communiquer clairement sur moi-même, ce qui réduit mes chances d'être aidé.
Combien ça coûte?
Vous pouvez regarder toutes les conférences du cours gratuitement sur YouTube. Mais si vous vous inscrivez à la spécialisation complète sur Coursera, le coût est de 64 $ AUD par mois (environ 47 $ USD).
La spécialisation complète est suggérée en 4 à 5 mois, mais comme je l'ai terminée plus rapidement, je n'ai payé que 2 mois (128 AUD au total).
Coursera propose souvent un essai de 7 jours avec leurs spécialisations. Vous pouvez donc vous inscrire, voir si le cours est fait pour vous et sinon, résilier votre abonnement.
Une aide financière est disponible pour ceux qui sont éligibles. Pour le recevoir, vous devezfaire une demande lors de l'inscription au cours.
Comment le contenu est-il structuré ?
La spécialisation se décompose en cinq parties. Chaque partie est divisée en 2 à 4 semaines de cours et d'évaluation.
Les conférences peuvent durer de 5 minutes à 20 minutes et durer en moyenne environ 10 minutes chacune.
J'ai découvert que je pouvais terminer une semaine entière de conférences en environ 3 heures, en écoutant à une vitesse de 1,5x.
Andrew utilise un discours et une voix off pour enseigner le contenu. Il annotera souvent les diapositives pendant qu'il parle pour illustrer davantage un point. J'ai vraiment apprécié ce style d'enseignement.
Comment terminez-vous le cours?
À la fin de chaque semaine de contenu, il y a un quiz et un devoir de programmation. Une fois que vous aurez terminé tous les quiz et les devoirs de programmation d'une section, vous pourrez voir votre certificat de concours.
En complétant les cinq sections de la spécialisation, vous recevrez un certificat d'achèvement de Coursera. Ce qui en fait un excellent nouvel ajout sur votre profil LinkedIn. N'ayez pas peur de le partager, vous avez travaillé dur pour cela.
Pendant combien de temps avez-vous accès au contenu ?
Indéfiniment. Les cours sont sur YouTube et j'ai toujours accès aux cours sur Coursera même si je ne paie plus pour la spécialisation.
En ce qui concerne l'évaluation, j'ai eu du mal à revenir aux cahiers Jupyter après avoir terminé une tâche de programmation, alors je me suis assuré de les télécharger pendant que je travaillais dessus pour référence future.
De tous les cours que j'ai suivis, c'est de loin l'un des meilleurs. Andrew est un praticien qui tisse ses connaissances acquises par l'expérience dans chacune des leçons. Il a de la peau dans le jeu, donc vous savez que ce qu'on vous enseigne a été mis en pratique.
C'était parfois difficile. J'ai couru dans un tas de barrages routiers. Mais ayant les forums et le reste d'Internet, je savais que je pouvais résoudre les problèmes au fur et à mesure qu'ils arrivaient tant que j'étais patient.
Mes deux sections préférées étaient la partie 3 et la partie 5. Tout ce qui touche au langage et à la communication me fascine, donc la partie 5 a été un vrai moment fort. Et c'était formidable d'entendre la sagesse d'Andrew sur la façon de tirer le meilleur parti des projets d'apprentissage automatique au cours de la partie 3.
Waouh ! Tu l'as fait. Toutes nos félicitations. Vous avez réussi le cours. Mais tu y allais toujours, ça demandait juste un petit effort.
Tout semble probablement flou.
« Ai-je vraiment appris quelque chose ? » Je me suis demandé quand j'avais fini.
Le cours était tellement bourré de connaissances. Je me suis retrouvé à poser des questions dans la partie 5 auxquelles on a répondu dans les conférences de la partie 2. Mais ça va. Je me souviens de 1% de ce que j'apprends, donc revenir sur quelque chose aide à reconstruire les connexions dans mon cerveau un peu plus fort.
Maintenant, je sais que lorsque je rencontre un problème d'apprentissage en profondeur, je peux me référer aux cours et me rafraîchir la mémoire. Mais je sais aussi à quelle vitesse le terrain évolue et ce qu'il y a dans les cours peut être obsolète. C'est là qu'intervient l'apprentissage complémentaire.
J'ai trouvé en suivant d'autres cours d'apprentissage en profondeur d'Udacity et de fast.ai en parallèle avec lespécialisation deeplearning.aiont été d'une grande aide. Là où un cours est tombé, l'autre a repris et vice versa.
Terminer la spécialisation n'est que le début d'un nouveau parcours d'apprentissage.
Qu'il s'agisse d'appliquer vos nouvelles compétences à la construction de votre propre projet ou de les utiliser pour améliorer un projet actuel, vous devrez probablement continuer à apprendre. Finalement, vous rencontrerez quelque chose auquel vous devrez peut-être trouver votre propre réponse.
Si vous faites quelque chose, assurez-vous de partager votre travail, d'écrire un article de blog ou de faire une vidéo à ce sujet. De cette façon, vous pourrez vous entraîner à communiquer les compétences que vous avez acquises et si votre projet doit être amélioré, d'autres personnes pourront vous conseiller.
C'est une période passionnante à vivre. L'intelligence artificielle s'avère être l'une des technologies les plus percutantes de l'histoire. Et l'apprentissage en profondeur est l'une des principales raisons de nombreuses avancées récentes et probablement de nombreuses autres à venir.
Donc, si vous voulez participer et surfer sur les vents arrière de la société, apprenez. Ou mieux encore, inscrivez-vous pourSpécialisation deeplearning.ai sur Courseraet obtenez un apprentissage en profondeur.
Vous avez aimé ce que vous avez lu ? Il y a unversion vidéosur mon YouTube si vous êtes plus visuel.
J'ai suivi ce cours dans le cadre dema propre maîtrise en IA.
