感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
課程簡介
-
神經網路和深度學習概述
機器學習 (ML) 的概念
為什麼我們需要神經網路和深度學習?
根據不同的問題和數據類型選擇網路
學習和驗證神經網路
比較邏輯回歸與神經網路
神經網路
神經網路的生物學啟示
神經網路– 神經元、感知器和 MLP(多層感知器模型)
學習 MLP – 反向傳播演算法
啟動函數 – linear、sigmoid、Tanh、Softmax
適用於預測和分類的損失函數
參數 – 學習率、正則化、動量
在 Python 中構建神經網路
評估神經網路的性能 Python
深度網路基礎知識
什麼是深度學習?
深度網路架構 – 參數、層、啟動函數、損失函數、求解器
受限玻爾茲曼機 (RBM)
自動編碼器
深度網路架構
Deep Belief Networks(DBN) – 架構、應用
自動編碼器
受限玻爾茲曼機
卷積神經網路
遞迴神經網路
迴圈神經網路
Python 中可用的庫和介面概述
咖啡菲
西阿諾
張量流
克拉斯
MXNET公司
選擇適當的庫來解決問題
在 Python 中構建深度網路
為給定的問題選擇合適的架構
混合深度網路
學習網路 – 適當的庫、架構定義
整定網路 – 初始化、啟動函數、損失函數、優化方法
避免過擬合 – 檢測深度網路中的過擬合問題,正則化
評估深度網路
案例研究 Python
圖像識別 – CNN
使用自動編碼器檢測異常
使用 RNN 預測時間序列
使用自動編碼器降維
使用 RBM 進行分類
最低要求
機器學習、系統架構和程式設計語言的知識/欣賞是可取的
14 時間: