感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程時長 21 時間：
課程簡介
第一天 - 人工神經網絡
簡介與 ANN 結構
- 生物神經元與人工神經元
- ANN 的數學模型
- ANN 中使用的激活函數
- 典型的網絡架構分類
數學基礎與學習機制
- 向量與矩陣代數復習
- 狀態空間概念
- 優化概念
- 誤差校正學習
- 基於記憶的學習
- 赫布學習（Hebbian learning）
- 競爭學習
單層感知器
- 感知器的結構與學習過程
- 模式分類器簡介及貝葉斯分類器
- 作為模式分類器的感知器
- 感知器的收斂性
- 感知器的局限性
前饋人工神經網絡
- 多層前饋網絡的結構
- 反向傳播算法
- 反向傳播：訓練與收斂
- 利用反向傳播進行函數逼近
- 反向傳播學習中的實務與設計議題
徑向基函數網絡（RBF）
- 模式可分性與插值
- 正規化理論
- 正規化與 RBF 網絡
- RBF 網絡的設計與訓練
- RBF 的逼近特性
競爭學習與自組織人工神經網絡
- 通用聚類程序
- 學習向量量化（LVQ）
- 競爭學習算法與架構
- 自組織特徵圖
- 特徵圖的特性
模糊神經網絡
- 神經模糊系統
- 模糊集合與邏輯背景
- 模糊系統的設計
- 模糊 ANN 的設計
應用場景
- 討論若干神經網絡應用案例，分析其優勢與面臨的問題
第二天 - 機器學習
- PAC 學習框架
- 有限假設集合的保证 – 一致情況
- 有限假設集合的保证 – 非一致情況
- 通用性
- 確定性場景 vs. 隨機性場景
- 貝葉斯誤差與噪聲
- 估計誤差與逼近誤差
- 模型選擇
- Rademacher 複雜度與 VC 維度
- 偏差-變量權衡（Bias-Variance Tradeoff）
- 正規化
- 過擬合
- 驗證
- 支持向量機（SVM）
- Kriging（高斯過程迴歸）
- PCA 與核 PCA
- 自組織圖（SOM）
- 核誘導向量空間
- Mercer 核與核誘導相似性度量
- 強化學習
第三天 - 深度學習
本部分內容將結合第一天的 ANN 與第二天的機器學習主題進行講解
- Logistic 與 Softmax 迴歸
- 稀疏自動編碼器（Sparse Autoencoders）
- 向量化、PCA 與白化（Whitening）
- 自教導學習（Self-Taught Learning）
- 深度網絡
- 線性解碼器（Linear Decoders）
- 卷積與池化（Convolution and Pooling）
- 稀疏編碼（Sparse Coding）
- 獨立成分分析（ICA）
- 典型相關分析（CCA）
- 演示與應用
最低要求
需具備良好的數學基礎。
需具備良好的基礎統計學知識。
雖非強制要求，但建議具備基礎編程技能。
客戶評論 (2)
從第一性原理出發，專注於實踐，並在同一天內應用案例分析
Maggie Webb - Department of Jobs, Regions, and Precincts
課程 - Artificial Neural Networks, Machine Learning, Deep Thinking
機器翻譯
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
課程 - Artificial Neural Networks, Machine Learning, Deep Thinking
機器翻譯
