Радвам се, че Ai става бърз, защото изучаването на основите ме отвежда на дълго и приключенско пътуване. За щастие шестседмичен Fast.Ai Bootcamp ще ме приведе във форма, докато следваме съдържание, създадено от изключително талантливи програмисти.

Лекциите на Джеръми Хауърд, изтъкнат изследовател в Университета на Сан Франциско и е главен научен сътрудник в platform.ai, и Рейчъл Томас, директор на Центъра за приложна етика на данните на USF и съосновател на fast.ai, означават, че имаме най-добрите учители в града.

Това беше първата ни седмица и от нетехнически опит това не беше изненадващо леко техническо със задълбочено обучение и жаргон на Ai, който ни беше хвърлен; от CNN, REPLS, Kernels до по-основния GPU. За да започнем дори с Ai, трябваше да разберем защо използваме GPU вместо CPU в Google Colab (дори ако изглежда, че моят Mac не го харесваше).

По принцип, поради големите набори от данни, процесорът заема много памет, докато обучава модела. Самостоятелният GPU, от друга страна, идва със специална VRAM памет. По този начин паметта на процесора може да се използва за други задачи, като извършва всички операции едновременно, вместо да ги прави една след друга, поради което е по-полезна за машинното обучение.

За първи път използвам Google Colab като вид софтуерна среда и всъщност е страхотно. Colab позволява на всеки да пише и изпълнява произволен код на Python през браузъра и е особено подходящ за машинно обучение, анализ на данни и образование. Той дава много съвети по пътя.

Първата ни задача с Colab беше да изтеглим набор от данни, наречен Oxford-IIIT Pet Dataset, съдържащ 7349 изображения на котки и кучета от 37 различни породи, които използвахме, за да репликираме разпознавател на изображения с котки и кучета върху предварително изграден модел на CNN. След това можем да качим нашата снимка на котка/куче и да тестваме разпознаването на изображението.

Някои други полезни определения на жаргон;

PIP = стандартна система за управление на пакети, използвана за инсталиране и управление на софтуерни пакети, написани на Python.

REPL: цикъл четене-оценка-печат, наричан още интерактивно най-високо ниво или езикова обвивка

ЯДРО: част от кода на операционната система, която винаги се намира в паметта”

MARKDOWN: използва се за форматиране на readme файлове

CNN: конволюционна невронна мрежа

Но какво се обърка!

Реших да се занимавам с клониране на Githubs депозитарии, за да ги инсталирам на нов работен лист в Colab. Използвах функцията !wget и ls, за да свържа файла с местоположението на CSV, но току-що получих NameError: името „pd“ не е дефинирано на последния етап. Чудя се какво съм направил грешно?

Един факт, който ми казаха за този тренировъчен лагер, който определено е верен, за разлика от предишните измислици, нямам нужда от много математика, много данни, докторска степен или много скъпи компютри, за да завърша този курс. Страхотна новина за мен тогава!

Да видим какво ни носи втора седмица.