課程簡介

第一天:

基本 Machine Learning

模組-1

介紹:

  • 練習 – 安裝 Python 和 NN 庫
  • 為什麼選擇機器學習?
  • 機器學習簡史
  • 深度學習的興起
  • 機器學習的基本概念
  • 可視化分類問題
  • 決策邊界和決策區域
  • iPython 筆記本

模組-2

  • 練習 – 決策區域
  • 人工神經元
  • 神經網路、前向傳播和網路層
  • 啟動函數
  • 鍛煉 – 啟動功能
  • 錯誤的反向傳播
  • 欠擬合和過擬合
  • 插值和平滑
  • 外推和數據抽象
  • 機器學習中的泛化

模組-3

  • 練習 – 欠擬合和過度擬合
  • 訓練、測試和驗證集
  • 數據偏差和負例問題
  • 偏差/方差權衡
  • 練習 – 數據集和偏差

模組-4

  • NN 參數和超參數概述
  • 邏輯回歸問題
  • 成本函數
  • 示例 – 回歸
  • 經典機器學習與深度學習
  • 結論

第2天:卷積Neural Networks(CNN)

模組-5

  • 美國有線電視新聞網簡介
  • 什麼是有線電視新聞網?
  • Computer 願景
  • 日常生活中的CNN
  • 影像 – 像素、顏色和空間量化、RGB
  • 卷積方程和物理意義,連續與離散
  • 練習 – 一維卷積

模組-6

  • 過濾的理論基礎
  • 信號作為正弦波之和
  • 頻譜
  • 帶通濾波器
  • 練習 – 頻率過濾
  • 2D 捲積濾波器
  • 填充和步幅
  • 作為帶通濾波器
  • 篩選為範本匹配
  • 練習 – 邊緣檢測
  • 用於局部頻率分析的Gabor濾波器
  • 練習 – Gabor 過濾器作為第 1 層地圖

模組-7

  • 美國有線電視新聞網架構
  • 捲積層
  • 最大池化層數
  • 圖層縮減採樣
  • 遞歸數據抽象
  • 遞歸抽象示例

模組-8

  • 練習 – CNN 基本用法
  • ImageNet 數據集和 VGG-16 模型
  • 特徵圖的視覺化
  • 特徵含義的可視化
  • 練習 – 特徵圖和特徵含義

第3天:序列模型

模組-9

  • 什麼是序列模型?
  • 為什麼要對模型進行排序?
  • 語言建模用例
  • 時間序列與空間序列

模組-10

  • 核糖核酸
  • 循環體系結構
  • 隨時間反向傳播
  • 漸變消失
  • 格魯
  • LSTM
  • 深度循環神經網路
  • 雙向迴圈神經網路
  • 練習 – 單向與雙向循環神經網路
  • 採樣序列
  • 序列輸出預測
  • 練習 – 序列輸出預測
  • 簡單時變信號上的 RNN
  • 練習 – 基本波形檢測

模組-11

  • 自然語言處理 (NLP)
  • Word 嵌入
  • Word 向量: word2vec
  • Word 載體:GloVe
  • 知識轉移和詞嵌入
  • 情緒分析
  • 練習 – 情緒分析

模組-12

  • 量化和消除偏差
  • 鍛煉 – 消除偏見
  • 音訊數據
  • 波束搜索
  • 注意力模型
  • 語音辨識
  • 觸發詞檢測
  • 運動 – Speech Recognition

最低要求

參加本課程不需要任何特定要求。

  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.

每位參與者的報價

相關課程

課程分類