Kurzusleírás

TensorFlow alapjai

    Változók létrehozása, inicializálása, mentése és visszaállítása TensorFlow Adatok betáplálása, olvasása és előtöltése TensorFlow Hogyan használjuk TensorFlow infrastruktúrát a modellek méretarányos betanításához Modellek megjelenítése és kiértékelése a TensorBoard segítségével

TensorFlow Mechanika

    Bemenetek és helyőrzők építik fel a GraphS következtetési veszteség képzést
A modell képzése A grafikon
  • Az ülésszak
  • Vonathurok
  • Értékelje a modellt Építsd fel az Eval Graph-ot
  • Eval kimenet
  • A Perceptron
  • Aktiváló függvények A perceptron tanulási algoritmus Bináris osztályozás perceptronnal Dokumentum osztályozás perceptronnal A perceptron korlátai
  • A Perceptrontól a vektorgépek támogatásáig

      Kernelek és a kernel trükk Maximális margin osztályozás és támogatási vektorok

    Mesterséges Neural Networks

      Nemlineáris döntési határok Feedforward és visszacsatoló mesterséges neurális hálózatok Többrétegű perceptronok A költségfüggvény minimalizálása Előre terjedés Vissza terjedés A neurális hálózatok tanulási módjának javítása

    Konvolúciós Neural Networks

      Goals modellarchitektúra alapelvei Kódszervezet A modell elindítása és betanítása Modell kiértékelése

    Követelmények

    Fizika, matematika és programozási háttér. Képfeldolgozási tevékenységekben való részvétel.

      28 Hours
     

    Résztvevők száma


    Tanfolyam kezdete

    Tanfolyam vége


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Vélemények (5)

    Rokon tanfolyam

    Rokon kategóriák