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

Antal deltagare



Price per participant

Relaterade Kurser

Relaterade Kategorier