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.
課程簡介
第 1 部分 – Deep Learning 和 DNN 概念
簡介 AI, Machine Learning & Deep Learning
-
人工智慧的歷史、基本概念和通常應用遠非該領域所承載的幻想
集體智慧:聚合許多虛擬代理共用的知識
遺傳演算法:通過選擇進化出虛擬代理群體
常用學習機:定義。
任務類型:監督學習、無監督學習、強化學習
操作類型:分類、回歸、聚類、密度估計、降維
機器學習演算法示例:線性回歸、樸素貝葉斯、隨機樹
機器學習 VS 深度學習:機器學習仍然是當今最先進的問題(Random Forest s 和 XGBoosts)
神經網路的基本概念(應用:多層感知器)
-
數學基礎的提醒。
神經元網路的定義:經典架構、啟動和
先前啟動的權重,網路深度
神經元網路學習的定義:成本、反向傳播、隨機梯度下降、 最大似然的函數。
神經網路建模:根據 問題的類型(回歸、分類......維度的詛咒。
多特徵數據和信號的 區別。根據數據選擇成本函數。
神經元網路對函數的近似:演示和示例
神經元網路分佈的近似值:演示和示例
數據增強:如何平衡數據集
神經元網路結果的泛化。
神經網路的初始化和正則化:L1 / L2 正則化、批量 歸一化
優化和收斂演算法
標準 ML / DL 工具
計劃進行簡單的演示,包括優點、缺點、在生態系統中的位置和用途。
-
數據管理工具:Apache Spark、Apache Hadoop 工具
機器學習:Numpy、Scipy、Sci-kit
DL 高級框架:PyTorch、Keras、Lasagne
低級深度學習框架:Theano、Torch、Caffe、Tensorflow
卷積 Neural Networks (CNN)。
-
CNN的介紹:基本原理和應用
CNN的基本操作:卷積層,使用內核,
填充和步幅,特徵圖生成,池化層。擴展 1D、2D 和 3D。
介紹不同的 CNN 架構,這些架構帶來了最先進的分類技術
圖片:LeNet、VGG Networks、Network in Network、Inception、Resnet。介紹 每種架構帶來的創新及其更全域的應用(卷積 1x1 或殘差連接)
使用注意力模型。
適用於常見分類案例(文字或影像)
用於生成的CNN:超解析度、像素到圖元分割。介紹
增加圖像生成特徵圖的主要策略。
復發性 Neural Networks (RNN)。
-
RNN的介紹:基本原理和應用。
RNN 的基本操作:隱藏啟動、隨時間反向傳播、 展開版本。
向門控循環單元 (GRU) 和 LSTM(長短期記憶)的演變。
介紹不同的狀態和這些架構帶來的演變
收斂和消失梯度問題
經典架構:時間序列的預測、分類......
RNN 編碼器解碼器類型架構。使用注意力模型。
NLP應用:單詞/字元編碼、翻譯。
視頻應用:預測視頻序列的下一個生成圖像。
代際模型:變分自編碼器 (VAE) 和生成對抗網路 (GAN)。
-
介紹代際模型,與CNN連結
自動編碼器:降低維度並限制生成
變分自動編碼器:給定分佈 的代際模型和近似值。潛在空間的定義和使用。重新參數化技巧。觀察到的應用和 限制
生成對抗網路:基礎。
雙網路架構 (生成器和鑒別器),具有交替學習和成本函數。
GAN的收斂和遇到的困難。
改進的收斂性:Wasserstein GAN,開始。地球移動距離。
用於生成圖像或照片、文本生成、超解析度的應用程式。
深 Reinforcement Learning。
-
強化學習的演示:在定義的環境中控制智慧體
按狀態和可能的行動
使用神經網路來逼近狀態函數
深度Q學習:體驗重播,並應用於視頻遊戲的控制。
優化學習策略。政策上和政策外。演員評論家 建築。A3C的。
應用:控制單個視頻遊戲或數字系統。
第 2 部分 – Theano for Deep Learning
Theano 基礎知識
-
介紹
安裝和配置
Theano 函數
-
輸入、輸出、更新、給定
使用 Theano 訓練和優化神經網路
-
神經網路建模
邏輯回歸
隱藏層
訓練網路
計算和分類
優化
日誌丟失
測試模型
第 3 部分 – 使用 Tensorflow 的 DNN
TensorFlow 基礎知識
-
創建、初始化、保存和恢復 TensorFlow 變數
進給、讀取和預載入 TensorFlow 數據
如何使用 TensorFlow 基礎設施大規模訓練模型
使用 TensorBoard 視覺化和評估模型
TensorFlow 力學
-
準備數據
下載
輸入和佔位元
構建 GraphS
推理
損失
訓練
從感知器到支援向量機
-
內核和內核技巧
最大邊距分類和支援向量
人造 Neural Networks
-
非線性決策邊界
前饋和反饋人工神經網路
多層感知器
最小化成本函數
前向傳播
反向傳播
改進神經網路的學習方式
捲積 Neural Networks
-
GoALS
模型架構
原則
代碼組織
啟動和訓練模型
評估模型
-
以下模組的基本介紹(根據時間安排提供簡要介紹):
Tensorflow - 高級用法
線程和佇列 分散式 TensorFlow 編寫文檔和共用模型 自訂數據讀取器 操作 TensorFlow 模型檔
TensorFlow 服務
-
介紹
基本服務教程
高級服務教程
Serving Inception 模型教程
最低要求
物理、數學和程式設計背景。參與圖像處理活動。
代表們應該事先瞭解機器學習概念,並且應該從事 Python 程式設計和庫方面的工作。
35 時間: