Спасибо большое Вам! Многого научился у Вас, вы мой стартовый наставник. Ваши труды многим помогают разобраться с нейросетю и развиваться в этой области! Вы замечательный человек!
Подскажите, какая сеть наиболее подходит для предсказания временных рядов? Видел дипломную работу, ряд преобразуется в 2д и загоняется в 2д сверточную сеть. Но там только теория без конкретных структур и размеров. И ещё как-то делают смешанные сети, но как это делать в керасе?
Зависит от конкретной задачи и временного ряда. Я бы начал с простого бейзлайна типа предсказание среднего из последних N значений, возможно, ARIMA. И дальше попробовал бы LSTM, GRU и одномерные сверточные сети. Смешанные сети в Keras можно делать, используя сверточные и рекуррентные слои (keras.io/examples/imdb_cnn_lstm/) или комбинированные слои типа ConvLSTM2D.
А если у меня задача, аналогичная этой: stackoverflow.com/questions/51344610/how-to-setup-1d-convolution-and-lstm-in-keras с несколькими каналами? Как лучше сеть организовать? Наверно Conv2D сначало нужно использовать, а потом уже LSTM слой? Но пока сеть с несколькими Conv1D дает лучший результат((
Андрей здравствуйте! Можно ли вас попросить записать такой вебинар или стрим провести на тему создание нейронной сети с самого начала и до запуска. Что бы был живой пример и коментраии от професионала, тоесть от вас. Спасибо. Если было уже такое то дайте ссылку)
Андрей, спасибо большое за понятное объяснение. Хотелось узнать, какой подход в рамках реккурентных сетей стоит применять к классификации очень похожих текстов? Есть ли к-н практики и осветите ли Вы данных момент в к-н своем ролике в будущем?
Будет. Сейчас готовим полностью обновленную версию курса, предназначенную для программистов.Там будет другой подход к объяснению, начиная с прикладного уровня вниз по модели OSI.
Как же долго вас не было на ютубе - рад вас видеть, Андрей, здравствуйте. Мб своевременные донаты простимулируют вас на подготовку новых материалов и почаще? ;)
Вы говорите, что нужно создать столько копий рекурентной нейронной сети развернутой во времени, сколько элементов входных данных в последовательности, но далее передаете параметр 8, хотя данных больше. Правильно ли я понимаю, что сеть автоматически создает эти копии для каждого элемента, а передаваемый параметр 8 является количеством итераций? То есть сигнал 8 раз пройдет по множеству копий рекурентного слоя прежде чем наконец-то попадет на полносвязный слой?
Интересует сеть со смешанными входными данными (например изображение и цифровые данные), то есть сети с несколькими входами. В KERAS -е есть функциональный API, но примеров решение задач почти нет (только у одного автора нашел, но почему то не получается воспроизвести его задачу): www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/
Hi could you provide a transcript of yours (email), which could be translated to English please, demos certainly provides a picture how you arrived at your code block, transcript will certainly help what your stating in you're demos. Thank you
Спасибо вам большое. У вас талант преподносить материал просто и понятно.
Спасибо большое Вам! Многого научился у Вас, вы мой стартовый наставник. Ваши труды многим помогают разобраться с нейросетю и развиваться в этой области! Вы замечательный человек!
Спасибо за приятный отзыв! Успехов!
Давно не увлекаюсь уже, другая работа, но смотрю. Спасибо Андрей, что не оставил просвещать.
Пожалуйста!
Очень интересно. Спасибо за видео!!!!
Пожалуйста!
протяжное "до свидаания" в конце топ вообще)
;-)
Спасибо! Очень познавательно
просто и доступно, спасибо!
Вижу видео, ставлю лайк)
Спасибо!
@@AndreySozykin Планируете ли вы видео по технологиям gpon gepon?
К сожалению, в этих технологиях не разбираюсь, поэтому вряд ли смогу сделать хорошие видео.
Подскажите, какая сеть наиболее подходит для предсказания временных рядов? Видел дипломную работу, ряд преобразуется в 2д и загоняется в 2д сверточную сеть. Но там только теория без конкретных структур и размеров. И ещё как-то делают смешанные сети, но как это делать в керасе?
Зависит от конкретной задачи и временного ряда. Я бы начал с простого бейзлайна типа предсказание среднего из последних N значений, возможно, ARIMA. И дальше попробовал бы LSTM, GRU и одномерные сверточные сети.
Смешанные сети в Keras можно делать, используя сверточные и рекуррентные слои (keras.io/examples/imdb_cnn_lstm/) или комбинированные слои типа ConvLSTM2D.
А если у меня задача, аналогичная этой: stackoverflow.com/questions/51344610/how-to-setup-1d-convolution-and-lstm-in-keras с несколькими каналами?
Как лучше сеть организовать? Наверно Conv2D сначало нужно использовать, а потом уже LSTM слой? Но пока сеть с несколькими Conv1D дает лучший результат((
Андрей, а рассмотрение структур SAT-солверов в тематику вашего канала не вписывается?
Нет, к сожалению. Я сам не разбираюсь в SAT-солверах, поэтому вряд ли смогу хорошее видео сделать.
Пасибо. Ждем-с
Пожалуйста!
Андрей здравствуйте!
Можно ли вас попросить записать такой вебинар или стрим провести на тему создание нейронной сети с самого начала и до запуска. Что бы был живой пример и коментраии от професионала, тоесть от вас. Спасибо. Если было уже такое то дайте ссылку)
Имеется в виду самостоятельно все с нуля разработать? Или с помощью готовых библиотек?
@@AndreySozykin Андрей спасибо вам за ответ!
С помощью готовых библиотек. С нуля это будет слишком)
@@avdeevgr А я вот сам всë разрабатываю) (И самое сложное это не реализация, а поиск точной информации)
Андрей, спасибо большое за понятное объяснение. Хотелось узнать, какой подход в рамках реккурентных сетей стоит применять к классификации очень похожих текстов? Есть ли к-н практики и осветите ли Вы данных момент в к-н своем ролике в будущем?
Да, в следующих видео будут конкретные примеры использования как рекуррентных, так и других типов сетей для классификации текстов.
Андрей, подскажите пожалуйста, а по обычным сетям больше ничего не будет?
Будет. Сейчас готовим полностью обновленную версию курса, предназначенную для программистов.Там будет другой подход к объяснению, начиная с прикладного уровня вниз по модели OSI.
@@AndreySozykin а старые видео удалите?
Думаю, нет. Для новых создам отдельный плей-лист.
@@AndreySozykin не удаляйте, все же труды вложены и материал полезный еще
@@AndreySozykin Када?
Как же долго вас не было на ютубе - рад вас видеть, Андрей, здравствуйте. Мб своевременные донаты простимулируют вас на подготовку новых материалов и почаще? ;)
Была большая загрузка на работе. Сейчас планирую вновь войти в ритм и выпускать по видео в неделю.
Вы говорите, что нужно создать столько копий рекурентной нейронной сети развернутой во времени, сколько элементов входных данных в последовательности, но далее передаете параметр 8, хотя данных больше. Правильно ли я понимаю, что сеть автоматически создает эти копии для каждого элемента, а передаваемый параметр 8 является количеством итераций? То есть сигнал 8 раз пройдет по множеству копий рекурентного слоя прежде чем наконец-то попадет на полносвязный слой?
смукаааа
Мне кажется тот параметр "8" означает количество нейронов в этом рекурентном слое
Интересует сеть со смешанными входными данными (например изображение и цифровые данные), то есть сети с несколькими входами. В KERAS -е есть функциональный API, но примеров решение задач почти нет (только у одного автора нашел, но почему то не получается воспроизвести его задачу): www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/
Вот пример создания сети с двумя входами и объединением данных через functional API в Keras - link.medium.com/wyNAGR7J50
@@AndreySozykin Огромное спасибо, Андрей Владимирович!
Hi could you provide a transcript of yours (email), which could be translated to English please, demos certainly provides a picture how you arrived at your code block, transcript will certainly help what your stating in you're demos. Thank you
Слишком поверхностное изложение материала. По сути ни о чем.