⚡️ Погружение в Deep Learning — лекции и видеозаписи Мюнхенского университета

Это серия из 23 лекций по Deep Learning, к каждой лекции прилагается запись на YouTube и pdf с подробным описанием + практические задания

Курс раскрывает такие темы Deep Learning и ML как:
— свёрточные нейросети (CNN) и популярные архитектуры
— настройка гиперпараметров
— рекуррентные нейросети (RNN) и трансформеры
— NLP и работа с текстом
— а также много других тем + 22 практических задания

🟡 Introduction to Deep Learning

@machinelearning_interview

📌Подборка ресурсов для подготовки к собеседованию по ML

Здесь собрана масса полезных ссылок, которые помогут подготовиться ко всем нужным темам, таким как логистическая/линейная регрессия, SVM, метод k-ближайших соседей, работа с временными рядами, обучение без учителя, построение рекомендательных систем, и ко многим другим темам.
Уверен, будет полезно и каждый найдёт здесь нужную для себя информацию

🟡 Machine Learning interview resources

@machinelearning_interview

⚡️ Понимание Deep Learning

Отличная книга и масса Colab'ов от MIT для полного понимания Deep Learning.
Определённо это один из лучших ресурсов по DL.

Внутри целых 68 (!!!) ноутубков с практикой.

В книге все, что нужно знать про: что такое трансформеры, описание различных моделей как работает генерация картинок и прочее прочее.


🟡 Understanding Deep Learning
📎 PDF

@machinelearning_interview

📌Введение в Deep Learning

Здесь можно найти ответы на многие свои вопросы по ML и Deep Learning;
тут на примерах объясняются самые важные концепции: от построения своей нейросети и перечисления необходимых фреймворков до сравнения разных архитектур и настройки гиперпараметров

Можно использовать как один из материалов для подготовки к собеседованию

🟡 Introduction to Deep Learning

@machinelearning_interview

🌟 Machine Learning в продакшене — открытая книга

Здесь описывается много чисто практических вещей, с которыми сталкивается ML-специлист, внедряющий модель в продакшен.
Приводится много примеров хороших практик, которые помогут строить масштабируемые и надёжные ML-системы

🟡 Machine Learning in Production

@machinelearning_interview