
Xây dựng kiến thức cơ bản về lập trình R
coco
Lớp này được thiết kế để đặt nền tảng về lập trình R cho những người chưa biết gì về lập trình R.
Beginner
R
Hãy cùng tìm hiểu về GAN (Mạng đối kháng sinh thành) một cách dễ dàng và chính xác.
259 học viên
Độ khó Trung cấp trở lên
Thời gian Không giới hạn

Đánh giá từ những học viên đầu tiên
5.0
정용기
Tôi nghĩ bạn đã làm rất tốt việc cô đọng và giải thích nhiều nội dung trong một khoảng thời gian ngắn, từ những chứng minh hình thức cơ bản đến thực hành.
5.0
rifampicin
Đó là một bài giảng hay
5.0
aidatacommons
Bài giảng được trình bày nhanh chóng và rõ ràng để tôi có thể hiểu được trực giác tổng thể đằng sau GAN.
Khái niệm và nguyên lý tạo ra GAN
DCGAN, LSGAN, Chu kỳ GAN
Ứng dụng và hướng phát triển của GAN
Nó sử dụng mô hình học sâu.
Tìm hiểu về GAN! 🙆🏻♂
Tôi đã tổ chức các bài giảng tại Inflearn và xuất bản một cuốn sách có tựa đề 'Python Deep Learning PyTorch'.
Cảm ơn bạn đã quan tâm : )
(Các bài giảng của Inflearn đã được cập nhật tính đến ngày 06/10/2020. Chúng tôi sẽ tiếp tục cập nhật các bài giảng.)
Hầu hết trí tuệ nhân tạo mà chúng ta nói đến hiện nay đều sử dụng mô hình học sâu. Các mô hình học máy hoặc học sâu thông thường kết thúc bằng phân loại và hồi quy. Tuy nhiên, không ngoa khi nói rằng sự xuất hiện của GAN đã mang lại một sự thay đổi lớn đến mức thúc đẩy sự phát triển của trí tuệ nhân tạo lên một bước tiến mới.
Việc tiến xa hơn việc phân loại và dự đoán dữ liệu để tạo ra dữ liệu là điều không thể tưởng tượng được vào thời điểm đó (4-5 năm trước). Sự xuất hiện của GAN, cùng với học tăng cường (nguyên lý cơ bản của AlphaGo), đã biến chúng thành một lĩnh vực không thể thiếu trong trí tuệ nhân tạo.
Hình ảnh bên dưới là hình ảnh giả thực sự không tồn tại trên thế giới này, được tạo ra bởi GAN hoạt động tốt nhất tính đến một năm trước. Ngày nay, nhiều mô hình tiên tiến hơn đã xuất hiện.
Bài giảng này sẽ giải thích khái niệm chính xác và các nguyên tắc học tập của GAN từng bước, đồng thời nói về những thiếu sót và định hướng tương lai của GAN.
Chúng tôi trình bày khái niệm và nguyên tắc học tập của GAN.
Thay vì chỉ giải thích các khái niệm, chúng tôi giải thích các nguyên tắc học tập phù hợp và cung cấp bằng chứng toán học.
Chúng tôi sẽ giải thích về quá trình và phương pháp học tập, những hạn chế của GAN khi mới ra mắt và định hướng tương lai của GAN.
Kể từ khi Vanilla GAN ra đời, GAN đã phát triển với tốc độ cực kỳ nhanh chóng.
Đầu tiên, DCGAN, ghép các nguyên tắc của GAN vào CNN, xuất hiện, sau đó là LSGAN, chỉ sửa đổi một chút về mất mát, và nhiều GAN khác nhau đang được phát triển.
Hình ảnh bên dưới cho thấy sự so sánh hiệu suất giữa DCGAN và LSGAN.
[Ngoài việc tạo dữ liệu] Bằng cách sử dụng các nguyên tắc tạo dữ liệu của GAN, nó đã bắt đầu phát triển sang nhiều lĩnh vực khác nhau. Trong số đó, một mô hình tiêu biểu là CycleGAN, một mô hình chuyển giao phong cách. Nó có thể biến một bức tranh thành một bức ảnh hoặc một bức ảnh thành một bức tranh, thay đổi ngày và đêm, và thay đổi các mùa.
CycleGAN là mô hình GAN hoán đổi hai miền của một hình ảnh. CycleGAN này đã trở thành mô hình cơ sở của GAN sử dụng phương pháp chuyển giao phong cách.
CycleGAN đang được ứng dụng và phát triển như thể hiện trong hình bên dưới. Ngoài mô hình này, nó còn phát triển thành nhiều mạng lưới khác nhau.
Việc tạo dữ liệu không tạo ra bất cứ điều gì mới vì cuối cùng nó chỉ tạo ra trong dữ liệu đào tạo. Vì thế nó không phải là nghệ thuật. Bởi vì nếu bạn tạo ra nó trong dữ liệu học tập, cuối cùng nó sẽ chỉ là một sự 'bắt chước'.
Mô hình CAN thay đổi một chút nguyên lý học tập của GAN để tạo ra các tác phẩm nghệ thuật. Họ cho biết họ đã khảo sát con người và nhận được số điểm tương tự như điểm của các tác phẩm nghệ thuật thực tế.
Bên cạnh đó, GAN đang phát triển trong nhiều lĩnh vực khác nhau.
Radial GAN để tạo dữ liệu có cấu trúc cho máy học thay vì hình ảnh, DeliGAN, một mô hình về cách tạo ra hình ảnh đa dạng và chất lượng cao trong các tình huống có ít dữ liệu học tập, MGAN, kết hợp nhiều mô hình GAN, Chúng tôi sẽ giới thiệu ngắn gọn nhiều GAN khác nhau, chẳng hạn như SRGAN, có chức năng chuyển đổi hình ảnh chất lượng thấp thành hình ảnh chất lượng cao.
Liên kết tài liệu thực hành: https://github.com/LeeGyeongTak/torchgan
Bài giảng này là bài giảng tiếp theo của bài giảng [PyTorch] Học sâu dễ dàng và nhanh chóng .
Bài giảng này giả định rằng bạn có kiến thức cơ bản về học sâu.
Khóa học này dành cho ai?
Bất kỳ ai muốn nghiên cứu sâu về học tập một cách đúng đắn
Những người mới bắt đầu học GAN
Người mới học CNN,RNN
Cần biết trước khi bắt đầu?
Cơ sở Python/Pytorch
Kiến thức cơ bản về học sâu
8,390
Học viên
509
Đánh giá
136
Trả lời
4.4
Xếp hạng
20
Các khóa học
Tôi là một người thất nghiệp vẫn đang tiếp tục học tập, sau khi tốt nghiệp cử nhân chuyên ngành Thống kê và nhận bằng Tiến sĩ Kỹ thuật Công nghiệp (Trí tuệ nhân tạo).
Giải thưởng
ㆍ Cuộc thi Big Contest lần thứ 6: Phát triển thuật toán dự đoán người dùng rời bỏ trò chơi / Giải thưởng NCSOFT (2018)
ㆍ Cuộc thi Big Contest lần thứ 5 - Phát triển thuật toán dự đoán người nợ quá hạn khoản vay / Giải thưởng của Chủ tịch Hiệp hội Xúc tiến Công nghệ Thông tin và Truyền thông Hàn Quốc (2017)
ㆍ Cuộc thi Big Data Thời tiết 2016 / Giải thưởng của Viện trưởng Viện Thúc đẩy Công nghiệp Khí tượng (2016)
ㆍ Phát triển thuật toán dự đoán gian lận bảo hiểm tại Big Contest lần thứ 4 / Lọt vào vòng chung kết (2016)
ㆍ Cuộc thi Big Contest lần thứ 3: Phát triển thuật toán dự đoán trận đấu bóng chày / Giải thưởng của Bộ trưởng Bộ Khoa học, Công nghệ thông tin và Hoạch định tương lai (2015)
* blog : https://bluediary8.tistory.com
Lĩnh vực nghiên cứu chính của tôi là khoa học dữ liệu, học tăng cường và học sâu.
Hiện tại tôi đang thực hiện việc thu thập dữ liệu (crawling) và khai phá văn bản (text mining) như một sở thích :)
Tôi đã phát triển một ứng dụng có tên là Marong, sử dụng kỹ thuật crawling để thu thập và hiển thị những bài viết phổ biến từ các cộng đồng trực tuyến, và
Tôi cũng từng thu thập danh sách các quán ăn ngon và blog trên toàn quốc để tạo ra một ứng dụng gợi ý quán ăn :) (nhưng rồi cũng thất bại thảm hại..)
Hiện tại, tôi đang là nghiên cứu sinh tiến sĩ chuyên nghiên cứu về trí tuệ nhân tạo.
Tôi đã từng phát triển và tạo ra một ứng dụng gợi ý quán ăn ngon bằng cách thu thập danh sách các nhà hàng và blog ẩm thực trên toàn quốc :) (nhưng đã thất bại thảm hại..). Hiện tại, tôi đang là nghiên cứu sinh tiến sĩ chuyên ngành trí tuệ nhân tạo.
Tôi đã từng phát triển và tạo ra một ứng dụng gợi ý quán ăn ngon bằng cách thu thập danh sách các quán ăn và blog trên toàn quốc :) (nhưng đã thất bại thảm hại..). Hiện tại, tôi đang là nghiên cứu sinh tiến sĩ chuyên ngành trí tuệ nhân tạo.
Tôi đã từng phát triển và tạo ra một ứng dụng gợi ý quán ăn ngon bằng cách thu thập danh sách các quán ăn cũng như các bài blog trên toàn quốc :) (nhưng đã thất bại thảm hại..). Hiện tại, tôi đang là nghiên cứu sinh tiến sĩ chuyên ngành trí tuệ nhân tạo.
Tôi đã từng phát triển và tạo ra một ứng dụng gợi ý quán ăn ngon bằng cách thu thập danh sách các quán ăn và blog trên toàn quốc :) (nhưng đã thất bại thảm hại..). Hiện tại, tôi đang là nghiên cứu sinh tiến sĩ chuyên ngành trí tuệ nhân tạo.
Tất cả
15 bài giảng ∙ (3giờ 23phút)
Tài liệu khóa học:
Tất cả
15 đánh giá
3.7
15 đánh giá
Đánh giá 3
∙
Đánh giá trung bình 4.0
4
Tôi là một sinh viên đang cố gắng tham gia GAN lần đầu tiên. Nó rất dễ hiểu vì nó chỉ xác định chính xác và giải thích những điểm quan trọng của các bài báo lớn. Đây là khóa học được khuyến khích cho những người mới bắt đầu học lần đầu như tôi. Tuy nhiên mình sẽ trừ một sao vì mình thấy số chương bài giảng ít so với giá tiền.
Đánh giá 2
∙
Đánh giá trung bình 5.0
Đánh giá 46
∙
Đánh giá trung bình 5.0
Đánh giá 11
∙
Đánh giá trung bình 4.7
4
Tôi đã cố gắng hết sức nhưng có vẻ như tôi không biết. cười Phần đầu tiên được giải thích một cách dễ dàng, nhưng đến một lúc nào đó mức độ khó tăng lên đột ngột. Cảm thấy như đang nghe một cuộc hội thảo trong phòng thí nghiệm? "Tất cả chúng ta đều biết, phải không? " Nếu bạn không có đủ năng lượng, bạn có thể thắc mắc tiếng ồn đó là gì ngay cả khi bạn nghe nó. Chắc chắn rằng đây là bài giảng nâng cao sẽ rất hữu ích nếu bạn nghe nó nhiều lần khi tiếp tục học.
Đánh giá 9
∙
Đánh giá trung bình 5.0
1.028.651 ₫
Hãy khám phá các khóa học khác của giảng viên!
Khám phá các khóa học khác trong cùng lĩnh vực!