課程簡介

第 1 天 - 人工神經網路

簡介和ANN結構。

    Bio邏輯神經元和人工神經元。 ANN 的模型。 人工神經網路中使用的啟動函數。 典型的網路架構類別。

Mathematical 基礎和學習機制。

    重新審視向量和矩陣代數。 狀態空間概念。 優化的概念。 糾錯學習。 基於記憶的學習。 赫比安學習。 競爭性學習。

單層感知器。

    感知器的結構和學習。 模式分類器 - 簡介和貝葉斯分類器。 感知器作為模式分類器。 感知器收斂。 感知器的局限性。

前饋 ANN。

    多層前饋網路的結構. 反向傳播演算法。 反向傳播 - 訓練和收斂。 具有反向傳播的函數近似。 反向傳播學習的實踐和設計問題。

徑向基函數網路。

    模式可分離性和插值。 正則化理論。 正則化和 RBF 網路。 RBF網路設計和培訓。 RBF 的近似屬性。

競爭性學習和自組織 ANN。

    常規聚類過程。 學習向量量化 (LVQ)。 競爭性學習演算法和架構。 自組織特徵圖。 特徵圖的屬性。

模糊 Neural Networks。

    神經模糊系統。 模糊集和邏輯的背景。 毛茸茸的莖的設計。 模糊人工神經網路的設計。

應用

    本文將討論神經網路應用的幾個例子,以及它們的優點和問題。

第 -2 天:機器學習

    PAC 學習框架 有限假設集的保證 - 一致情況 有限假設集的保證 - 不一致的情況 泛泛而談 確定性簡歷。隨機情景 貝葉斯誤差雜訊 估計和近似誤差 選型
Radmeacher 複雜性和 VC – 維度 偏差 - 方差權衡
  • 正則化
  • 過擬合
  • 驗證
  • 支援向量機
  • Kriging(高斯過程回歸)
  • PCA 和內核 PCA
  • 自組織地圖 (SOM)
  • 核誘導向量空間 Mercer Kernels 和 Kernel - 誘導的相似性指標
  • Reinforcement Learning
  • 第 3 天 - 深度學習
  • 這將與第1天和第2天涵蓋的主題相關
  • Logistic 和 Softmax 回歸 稀疏自動編碼器 矢量化、主成分分析和美白 自學學習 深度網路 線性解碼器 卷積和池化 稀疏編碼 獨立成分分析 典型相關分析 演示和應用
  • 最低要求

    對數學有很好的理解。

    GoOD 對基本統計的理解。

    基本的程式設計技能不是必需的,但建議使用。

      21 時間:
     

    人數


    開始於

    結束於


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    客戶評論 (2)

    相關課程

    課程分類