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.
Kursplan
Deep Learning vs Machine Learning vs andra metoder
- När Deep Learning är lämpligt
- Gränser för Deep Learning
- Jämföra noggrannhet och kostnad för olika metoder
Metodöversikt
- Nät och lager
- Framåt / Bakåt: de väsentliga beräkningarna av skiktade kompositionsmodeller.
- Förlust: uppgiften som ska läras definieras av förlusten.
- Lösare: lösaren koordinerar modelloptimering.
- Lagerkatalog: lagret är den grundläggande enheten för modellering och beräkning
- Konvolution
Metoder och modeller
- Ryggstöd, modulära modeller
- Logsum modul
- RBF Net
- MAP/MLE-förlust
- Parameter Space Transformers
- Konvolutionell modul
- Gradientbaserat lärande
- Energi för slutledning,
- Mål för lärande
- PCA; NLL:
- Latenta variabla modeller
- Probabilistisk LVM
- Förlustfunktion
- Detektering med snabb R-CNN
- Sekvenser med LSTM och Vision + Language med LRCN
- Pixelvis förutsägelse med FCN
- Ramdesign och framtid
Verktyg
- Caffe
- Tensorflöde
- R
- Matlab
- Andra...
Krav
Alla kunskaper i programmeringsspråk krävs. Förtrogenhet med Machine Learning krävs inte men fördelaktig.
21 timmar