課程簡介

深度學習與 Machine Learning 與其他方法

  • 當 Deep Learning 合適時
  • Deep Learning 的限制
  • 比較不同方法的準確性和成本

方法概述

  • 網路和層
  • 前向/後向:分層組合模型的基本計算。
  • 損失:要學習的任務由損失定義。
  • 求解器:求解器協調模型優化。
  • 層目錄:層是建模和計算的基本單元
  • 卷積

方法和模型

  • 反向支柱,模組化模型
  • Logsum 模組
  • RBF凈值
  • MAP/MLE 丟失
  • 參數空間變換
  • 卷積模組
  • 基於梯度的學習
  • 推理能量,
  • 學習目標
  • 主成分分析;NLL:
  • 潛在變數模型
  • 概率 LVM
  • 損失函數
  • 使用快速 R-CNN 進行檢測
  • 使用 LSTM 的序列和使用 LRCN 的視覺 + 語言
  • 使用FCN進行圖元級預測
  • 框架設計與未來

工具

  • Caffe
  • 張量流
  • R
  • Matlab的
  • 別人。。。

最低要求

需要任何程式設計語言知識。熟悉 Machine Learning 不是必需的,但有益。

  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.

相關課程

課程分類