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:
 

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