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
第 1 部分 – Deep Learning 和 DNN 概念
簡介 AI, Machine Learning & Deep Learning
-
人工智慧的歷史、基本概念和通常應用遠非該領域所承載的幻想
集體智慧:聚合許多虛擬代理共用的知識
遺傳演算法:通過選擇進化出虛擬代理群體
常用學習機:定義。
任務類型:監督學習、無監督學習、強化學習
操作類型:分類、回歸、聚類、密度估計、降維
機器學習演算法示例:線性回歸、樸素貝葉斯、隨機樹
機器學習 VS 深度學習:機器學習仍然是當今最先進的問題(Random Forest s 和 XGBoosts)
神經網路的基本概念(應用:多層感知器)
-
數學基礎的提醒。
神經元網路的定義:經典架構、啟動和
先前啟動的權重,網路深度
神經元網路學習的定義:成本、反向傳播、隨機梯度下降、 最大似然的函數。
神經網路建模:根據 問題的類型(回歸、分類......維度的詛咒。
多特徵數據和信號的 區別。根據數據選擇成本函數。
神經元網路對函數的近似:演示和示例
神經元網路分佈的近似值:演示和示例
數據增強:如何平衡數據集
神經元網路結果的泛化。
神經網路的初始化和正則化:L1 / L2 正則化、批量 歸一化
優化和收斂演算法
標準 ML / DL 工具
計劃進行簡單的演示,包括優點、缺點、在生態系統中的位置和用途。
-
數據管理工具:Apache Spark、Apache Hadoop 工具
機器學習:Numpy、Scipy、Sci-kit
DL 高級框架:PyTorch、Keras、Lasagne
低級深度學習框架:Theano、Torch、Caffe、Tensorflow
卷積 Neural Networks (CNN)。
-
CNN的介紹:基本原理和應用
CNN的基本操作:卷積層,使用內核,
填充和步幅,特徵圖生成,池化層。擴展 1D、2D 和 3D。
介紹不同的 CNN 架構,這些架構帶來了最先進的分類技術
圖片:LeNet、VGG Networks、Network in Network、Inception、Resnet。介紹 每種架構帶來的創新及其更全域的應用(卷積 1x1 或殘差連接)
使用注意力模型。
適用於常見分類案例(文字或影像)
用於生成的CNN:超解析度、像素到圖元分割。介紹
增加圖像生成特徵圖的主要策略。
復發性 Neural Networks (RNN)。
-
RNN的介紹:基本原理和應用。
RNN 的基本操作:隱藏啟動、隨時間反向傳播、 展開版本。
向門控循環單元 (GRU) 和 LSTM(長短期記憶)的演變。
介紹不同的狀態和這些架構帶來的演變
收斂和消失梯度問題
經典架構:時間序列的預測、分類......
RNN 編碼器解碼器類型架構。使用注意力模型。
NLP應用:單詞/字元編碼、翻譯。
視頻應用:預測視頻序列的下一個生成圖像。
代際模型:變分自編碼器 (VAE) 和生成對抗網路 (GAN)。
-
介紹代際模型,與CNN連結
自動編碼器:降低維度並限制生成
變分自動編碼器:給定分佈 的代際模型和近似值。潛在空間的定義和使用。重新參數化技巧。觀察到的應用和 限制
生成對抗網路:基礎。
雙網路架構 (生成器和鑒別器),具有交替學習和成本函數。
GAN的收斂和遇到的困難。
改進的收斂性:Wasserstein GAN,開始。地球移動距離。
用於生成圖像或照片、文本生成、超解析度的應用程式。
深 Reinforcement Learning。
-
強化學習的演示:在定義的環境中控制智慧體
按狀態和可能的行動
使用神經網路來逼近狀態函數
深度Q學習:體驗重播,並應用於視頻遊戲的控制。
優化學習策略。政策上和政策外。演員評論家 建築。A3C的。
應用:控制單個視頻遊戲或數字系統。
第 2 部分 – Theano for Deep Learning
Theano 基礎知識
-
介紹
安裝和配置
Theano 函數
-
輸入、輸出、更新、給定
使用 Theano 訓練和優化神經網路
-
神經網路建模
邏輯回歸
隱藏層
訓練網路
計算和分類
優化
日誌丟失
測試模型
第 3 部分 – 使用 Tensorflow 的 DNN
TensorFlow 基礎知識
-
創建、初始化、保存和恢復 TensorFlow 變數
進給、讀取和預載入 TensorFlow 數據
如何使用 TensorFlow 基礎設施大規模訓練模型
使用 TensorBoard 視覺化和評估模型
TensorFlow 力學
-
準備數據
下載
輸入和佔位元
構建 GraphS
推理
損失
訓練
從感知器到支援向量機
-
內核和內核技巧
最大邊距分類和支援向量
人造 Neural Networks
-
非線性決策邊界
前饋和反饋人工神經網路
多層感知器
最小化成本函數
前向傳播
反向傳播
改進神經網路的學習方式
捲積 Neural Networks
-
GoALS
模型架構
原則
代碼組織
啟動和訓練模型
評估模型
-
以下模組的基本介紹(根據時間安排提供簡要介紹):
Tensorflow - 高級用法
線程和佇列 分散式 TensorFlow 編寫文檔和共用模型 自訂數據讀取器 操作 TensorFlow 模型檔
TensorFlow 服務
-
介紹
基本服務教程
高級服務教程
Serving Inception 模型教程
最低要求
物理、數學和程式設計背景。參與圖像處理活動。
代表們應該事先瞭解機器學習概念,並且應該從事 Python 程式設計和庫方面的工作。
35 時間: