Ky publikim (Machine Learning praktik…pdf) i përmban ushtrimet teorike nga libri “Hands-on machine learning with Scikit-Learn and TensorFlow”. Për ushtrimet praktike shihni Jupyter notebooks të disponueshme te Vazhdoni me leximin e “Machine Learning praktik me Scikit-Learn dhe TensorFlow”
Zhvillime të mëdha në teknologjitë e tekstit, zërit dhe të pamurit kompjuterik
Nga: Ed Tyantov, data scientist (artikull i përkthyer nga Ridvan Bunjaku)
Përshëndetje. Në këtë artikull, do t’ju tregoj se çka ka ndodhur në botën e Machine Learning gjatë vitit të kaluar (kryesisht në Deep Learning). Dhe ka pasur shumë gjëra, prandaj u ndala më së shumti, sipas mendimit tim, në arritjet spektakulare dhe/ose domethënëse. Në artikull nuk janë dhënë aspektet teknike të përmirësimit të arkitekturave të rrjetit. T’i zgjerojmë horizontet tona!
Vazhdoni me leximin e “Arritjet në Deep Learning gjatë vitit të fundit”
(Artikull shkencor i përkthyer)
Shkarkoje këtu: Deep Learning i shkallëzueshëm dhe ekologjik përmes Randomized Hashing_design
Arkitekturat aktuale të deep learning po rriten gjithnjë e më shumë për të mësuar nga dataset-a kompleksë. Këto arkitektura kërkojnë veprime gjigante të shumëzimit të matricave për t’i trajnuar miliona parametra. Në anën tjetër, është një tjetër trend në rritje për ta sjellë deep learning te pajisjet embedded, që harxhojnë pak energji. Vazhdoni me leximin e “Deep Learning i shkallëzueshëm dhe ekologjikisht i qëndrueshëm përmes Randomized Hashing”
Shkarkoje: Deep_Learning_NLP_dhe_Paraqitjet.pdf
Ky publikim është përkthim i artikullit ‘Deep Learning, NLP, and Representations’. Fillon me Rrjetet neurale me një shtresë të fshehur. Pastaj jep përshkrim dhe shembuj interesantë të Word Embeddings dhe të paraqitjeve të përbashkëta. Në fund flet për Rrjetet Neurale Rekursive dhe perspektivën e Deep Learning.
Publikimi mund të konsiderohet vazhdim i publikimeve paraprake: “Shembuj ilustrues nga Deep Learning” që është përmbledhje hyrëse informative, dhe “Metodologji praktike për Deep Learning” që e përshkruan një metodologji dhe një proces praktik të dizajnit. Vazhdoni me leximin e “Deep learning, NLP dhe paraqitjet”
Shkarkoje: Metodologji_praktike_ne_Deep_Learning.pdf
Ky publikim është përkthim i kapitullit ‘Practical Methodology’ nga libri “Deep Learning”. Fillon me një përshkrim të metodologjisë së rekomanduar nga autorët dhe të procesit praktik të dizajnit. Pastaj shpjegohen hapat e procesit më detalisht. Në fund përshkruhet aplikimi i metodologjisë në shembullin real: sistemin e transkriptimit të numrave të adresave në Google Street View.
Publikimi mund të konsiderohet vazhdim i publikimit paraprak “Shembuj ilustrues nga Deep Learning” që është përmbledhje hyrëse informative.
Vazhdoni me leximin e “Metodologji praktike për Deep Learning”
Shkarkoje këtu: deep_learning_shembuj_ilustrues
Ky publikim i paraqet disa shembuj ilustrues dhe koncepte hyrëse specifike për Deep Learning. Fillohet me disa figura ilustruese për t’u futur në temë. Pastaj paraqitet një shembull në algjebër lineare dhe një në njehsim numerik. Pas kësaj hyhet me një shembull në bazat e Machine Learning. Në fund shpjegohen rrjetet e thella feedforward dhe një shembull ilustrues.
Publikimi mund të konsiderohet hyrje për publikimin pasues “Metodologji praktike në Deep Learning” që e përshkruan një proces praktik të dizajnit të aplikimit.
Shkarkoje publikimin këtu: Germimi_i_dataset-ave_masive (pdf)
Ky publikim flet për gërmimin e shënimeve, mirëpo fokusohet në gërmimin e shënimeve të sasive shumë të mëdha, domethënë kaq të mëdha sa që nuk i zë memorja kryesore. Për shkak të theksit në madhësi, shumë nga shembujt janë për Web-in apo shënimet e nxjerra nga Web-i. Për më tepër, libri bazë (Mining Massive Datasets) ka pikëpamje algoritmike: gërmimi i shënimeve ka të bëjë me aplikimin e algoritmeve në shënime, në vend se të përdoren shënimet për ta “trajnuar” ndonjë lloj motori të mësimit të makinës.
Ridvan Bunjaku 