Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Deep Learning vs Machine Learning vs Other Methods
- Πότε το Deep Learning είναι κατάλληλο Όρια Deep Learning Σύγκρισης ακρίβειας και κόστους διαφορετικών μεθόδων
Επισκόπηση μεθόδων
- Δίκτυα και στρώματα προς τα εμπρός / προς τα πίσω: οι βασικοί υπολογισμοί των πολυεπίπεδων μοντέλων σύνθεσης. Απώλεια: η εργασία που πρέπει να μάθετε ορίζεται από την απώλεια. Επίλυση: ο λύτης συντεταγμένων βελτιστοποίησης μοντέλου. Κατάλογος επιπέδων: το επίπεδο είναι η θεμελιώδης μονάδα μοντελοποίησης και υπολογιστικής συνέλιξης
Μέθοδοι και μοντέλα
- Backprop, αρθρωτά μοντέλα Μονάδα Logsum RBF Καθαρή απώλεια MAP/MLE Παράμετρος Space Transforms Συνελικτική μονάδα βασισμένη σε κλίση Μάθηση Ενέργεια για συμπέρασμα, Στόχος για εκμάθηση PCA. NLL: Λανθάνοντα μοντέλα μεταβλητής Πιθανολογική ανίχνευση συνάρτησης απώλειας LVM με γρήγορες ακολουθίες R-CNN με LSTM και Vision + γλώσσα με LRCN Pixelwise πρόβλεψη με σχεδιασμό πλαισίων FCN και μελλοντικά
Εργαλεία
- Caffe Tensorflow R Matlab Άλλα...
Requirements
Απαιτείται οποιαδήποτε γνώση γλώσσας προγραμματισμού. Η εξοικείωση με το Machine Learning δεν είναι απαραίτητη αλλά επωφελής.
21 Hours