Hay buenas razones para entrar en el aprendizaje profundo: el aprendizaje profundo ha estado superando a las respectivas técnicas “clásicas” en áreas como el reconocimiento de imágenes y el procesamiento del lenguaje pure desde hace un tiempo, y tiene el potencial de aportar información interesante incluso al análisis de datos tabulares. datos. Para muchos usuarios de R interesados en el aprendizaje profundo, el obstáculo no son tanto los requisitos matemáticos previos (ya que muchos tienen experiencia en estadística o ciencias empíricas), sino más bien cómo comenzar de manera eficiente.
Esta publicación brindará una descripción normal de algunos materiales que deberían resultar útiles. En el caso de que no tenga experiencia en estadística o related, también presentaremos algunos recursos útiles para ponerse al día con “las matemáticas”.
Tutoriales de Keras
La forma más fácil de comenzar es usar la API de Keras. Es una forma declarativa (en sentido) de alto nivel de especificar un modelo, entrenarlo y probarlo, desarrollado originalmente en Pitón por Francois Chollet y portado a R por JJ Allaire.
Echa un vistazo a los tutoriales sobre el Sitio internet de Keras: introducen tareas básicas como clasificación y regresión, así como elementos básicos de flujo de trabajo como guardar y restaurar modelos o evaluar el rendimiento del modelo.
-
Clasificación básica lo ayuda a comenzar a clasificar imágenes usando el Moda MNIST conjunto de datos
-
Clasificación de texto muestra cómo hacer un análisis de opinión en las reseñas de películas e incluye el tema importante de cómo preprocesar el texto para el aprendizaje profundo.
-
Regresión básica demuestra la tarea de predecir una variable continua con el ejemplo del famoso conjunto de datos de viviendas de Boston que se envía con Keras.
-
Overfitting y underfitting explica cómo puede evaluar si su modelo se ajusta por debajo o por encima de lo regular, y qué remedios tomar.
-
Por último, pero no menos importante, Guardar y restaurar modelos muestra cómo guardar puntos de management durante y después del entrenamiento, para que no pierda el fruto del trabajo de la pink.
Una vez que haya visto los conceptos básicos, el sitio internet también tiene información más avanzada sobre la implementación de la lógica personalizada, la supervisión y el ajuste, así como sobre el uso y la adaptación de modelos previamente entrenados.
Vídeos y libro
Si quieres un poco más de trasfondo conceptual, el Aprendizaje profundo con R en movimiento La serie de movies brinda una buena introducción a los conceptos básicos del aprendizaje automático y el aprendizaje profundo, incluidas las cosas que a menudo se dan por sentadas, como las derivadas y los gradientes.
Los primeros 2 componentes de la serie de movies (Empezando y el Estudio de caso del MNIST) son free of charge. El resto de los movies presentan diferentes arquitecturas de redes neuronales a través de estudios de casos detallados.
La serie es un complemento de la Aprendizaje profundo con R libro de François Chollet y JJ Allaire. Al igual que los movies, el libro tiene explicaciones excelentes y de alto nivel de conceptos de aprendizaje profundo. Al mismo tiempo, contiene una gran cantidad de código listo para usar, que presenta ejemplos para todas las principales arquitecturas y casos de uso (incluidos elementos sofisticados como codificadores automáticos variacionales y GAN).
Inspiración
Si no persigue un objetivo específico, pero en normal tiene curiosidad sobre lo que se puede hacer con el aprendizaje profundo, un buen lugar para seguir es el Weblog de TensorFlow para R. Allí encontrará aplicaciones de aprendizaje profundo para tareas empresariales y científicas, así como exposiciones técnicas e introducciones a nuevas funciones.
además, el Galería de TensorFlow para R destaca varios casos prácticos que han resultado especialmente útiles para iniciarse en diversas áreas de aplicación.
Realidad
Una vez que las concepts están ahí, debe seguir la realización, y para la mayoría de nosotros la pregunta será: ¿Dónde puedo realmente tren ese modelo? Tan pronto como se trate de imágenes de tamaño actual u otros tipos de datos de mayor dimensión, necesitará una GPU moderna y de alto rendimiento para que entrenar en su computadora portátil ya no sea una opción.
Hay algunas formas diferentes de entrenar en la nube:
Más antecedentes
Si no tiene una formación muy “matemática”, puede sentir que le gustaría complementar el enfoque centrado en conceptos de Aprendizaje profundo con R con un poco más de conceptos básicos de bajo nivel (al igual que algunas personas sienten la necesidad de saber al menos un poco de C o Ensamblador cuando aprenden un lenguaje de alto nivel).
Las recomendaciones personales para tales casos incluirían las recomendaciones de Andrew Ng especialización en aprendizaje profundo en Coursera (los movies se pueden ver free of charge), y los libros y conferencias grabadas sobre álgebra lineal de gilbert strang.
Por supuesto, la última referencia sobre el aprendizaje profundo, a día de hoy, es el Aprendizaje profundo libro de texto de Ian Goodfellow, Yoshua Bengio y Aaron Courville. El libro cubre todo, desde antecedentes en álgebra lineal, teoría de probabilidad y optimización a través de arquitecturas básicas como CNN o RNN, hasta modelos no supervisados en la frontera de las últimas investigaciones.
Obteniendo ayuda
Por último, si encuentra problemas con el software program (o con la asignación de su tarea a un código ejecutable), una buena concept es crear un problema de GitHub en el repositorio respectivo, por ejemplo, rstudio/keras.
¡La mejor de las suertes en su viaje de aprendizaje profundo con R!
