Об этом проекте

Этот репозиторий — обширная коллекция примеров кода и учебных материалов по машинному и глубокому обучению, поддерживаемая автором deeplearningcourses.com. Он служит сопутствующей кодовой базой для широкого спектра онлайн-курсов, охватывающих темы от основ статистики до продвинутых направлений ИИ. Репозиторий организован по курсам, каждый курс занимает отдельную папку. Пользователям рекомендуется посмотреть лекцию «Where to get the code» (обычно лекцию 2 или 3) в рамках каждого курса, чтобы определить соответствующую папку. Автор рекомендует клонировать репозиторий, а не делать форк, чтобы оставаться в курсе частых обновлений курсов. Темы, охватываемые в связанных курсах, включают: - **Основы математики**: линейная алгебра, теория вероятностей, математический анализ и матричное исчисление для data science и машинного обучения. - **Классическое машинное обучение**: линейная регрессия, логистическая регрессия, наивный байесовский классификатор, метод опорных векторов, случайные леса, AdaBoost, кластерный анализ и обучение без учителя со скрытыми марковскими моделями. - **Глубокое обучение**: нейронные сети, свёрточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), GAN, вариационные автоэнкодеры и продвинутое компьютерное зрение. - **Обработка естественного языка**: NLP с глубоким обучением, трансформеры и продвинутые методы NLP. - **Обучение с подкреплением**: глубокое обучение с подкреплением на PyTorch и Python. - **Генеративный ИИ**: ChatGPT и LLM OpenAI на Python, генеративный ИИ для компьютерного зрения и дипфейки/клонирование голоса. - **Байесовские методы**: байесовская линейная регрессия, байесовская классификация и байесовское машинное обучение с A/B-тестированием. - **Финансовый ИИ**: финансовый инжиниринг и ИИ на Python, включая торгового бота для парного трейдинга на ChatGPT. - **Временные ряды**: анализ временных рядов, прогнозирование и машинное обучение. - **Рекомендательные системы**: рекомендательные системы и глубокое обучение на Python. - **Предварительные требования**: стек NumPy в Python, линейная регрессия и логистическая регрессия как предварительные требования для глубокого обучения. Начиная с курсов по TensorFlow 2.0, новые примеры кода были перенесены в блокноты Google Colab, ссылки на которые приведены в соответствующих курсах. Репозиторий также содержит ссылки на VIP и эксклюзивные курсы, охватывающие специализированные темы, такие как статистический вывод, линейное программирование для линейной регрессии и MATLAB для специалистов в области STEM. Репозиторий предназначен для студентов и практиков, ищущих практические примеры кода в дополнение к структурированному онлайн-обучению. Это не самостоятельная библиотека или фреймворк, а образовательный ресурс, который дополняет видеолекции и материалы курсов, доступные на deeplearningcourses.com и lazyprogrammer.me.