Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kurzusleírás
Deep Learning kontra Machine Learning vs Egyéb módszerek
- Amikor az Deep Learning megfelelő
- Deep Learning korlátai
- A különböző módszerek pontosságának és költségének összehasonlítása
Módszerek áttekintése
- Hálók és rétegek
- Előre / Vissza: a rétegkompozíciós modellek lényeges számításai.
- Veszteség: a megtanulandó feladatot a veszteség határozza meg.
- Megoldó: a megoldó koordinálja a modelloptimalizálást.
- Fóliakatalógus: a réteg a modellezés és számítás alapvető egysége
- Konvolúció
Módszerek és modellek
- Backprop, moduláris modellek
- Logsum modul
- RBF Net
- MAP/MLE veszteség
- Paraméter Tér Transforms
- Konvolúciós modul
- Gradiens alapú tanulás
- Energia a következtetéshez,
- A tanulás célja
- PCA; NLL:
- Látens változó modellek
- Valószínűségi LVM
- Veszteség funkció
- Érzékelés a Fast R-CNN segítségével
- Szekvenciák LSTM-ekkel és Vision + Language LRCN-nel
- Pixelenkénti előrejelzés FCN-ekkel
- Kerettervezés és jövő
Eszközök
- Caffe
- Tensorflow
- R
- Matlab
- Mások...
Követelmények
Bármilyen programozási nyelv ismerete szükséges. A Machine Learning ismerete nem kötelező, de előnyös.
21 Hours