Course Outline

    Περιορισμοί μηχανικής μάθησης Μηχανική μάθηση, μη γραμμικές αντιστοιχίσεις Νευρωνικά δίκτυα μη γραμμική βελτιστοποίηση, στοχαστική/μίνι παρτίδα κλίση αξιοπρεπής διάδοση προς τα πίσω Βαθιά αραιή κωδικοποίηση Αραιοί αυτοκωδικοποιητές (SAE) Συνελικτικά νευρωνικά δίκτυα (CNN) Επιτυχίες: Περιγραφέας αντιστοίχισης για Stereo-2 ] Συγκέντρωση και αναλλοίωτη Οπτικοποίηση/Αποσυνελικτικά δίκτυα Επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και η βελτιστοποίηση τους Εφαρμογές σε NLP RNN συνεχίζονται, ανάλυση γλώσσας χωρίς βελτιστοποίηση Hessian: διανύσματα λέξεων/προτάσεων, ανάλυση, ανάλυση συναισθήματος κ.λπ. Probabilistic Graphical Models, Boltmannts Δίκτυα βαθιάς πεποίθησης, στοιβαγμένες εφαρμογές RBM σε NLP, Αναγνώριση πόζας και δραστηριότητας σε βίντεο Πρόσφατες εξελίξεις Μηχανές Neural Turing Μεγάλης κλίμακας εκμάθησης

 

Requirements

Καλή κατανόηση του Machine Learning. Τουλάχιστον θεωρητική γνώση Deep Learning.

  28 Hours

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Testimonials (4)

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories