课程大纲

第 1 天 - 人工神经网络

简介和ANN结构。

    Bio逻辑神经元和人工神经元。 ANN 的模型。 人工神经网络中使用的激活函数。 典型的网络架构类别。

Mathematical 基础和学习机制。

    重新审视向量和矩阵代数。 状态空间概念。 优化的概念。 纠错学习。 基于记忆的学习。 赫比安学习。 竞争性学习。

单层感知器。

    感知器的结构和学习。 模式分类器 - 简介和贝叶斯分类器。 感知器作为模式分类器。 感知器收敛。 感知器的局限性。

前馈 ANN。

    多层前馈网络的结构. 反向传播算法。 反向传播 - 训练和收敛。 具有反向传播的函数近似。 反向传播学习的实践和设计问题。

径向基函数网络。

    模式可分离性和插值。 正则化理论。 正则化和 RBF 网络。 RBF网络设计和培训。 RBF 的近似属性。

竞争性学习和自组织 ANN。

    常规聚类过程。 学习向量量化 (LVQ)。 竞争性学习算法和架构。 自组织特征图。 特征图的属性。

模糊 Neural Networks。

    神经模糊系统。 模糊集和逻辑的背景。 毛茸茸的茎的设计。 模糊人工神经网络的设计。

应用

    本文将讨论神经网络应用的几个例子,以及它们的优点和问题。

第 -2 天:机器学习

    PAC 学习框架 有限假设集的保证 - 一致情况 有限假设集的保证 - 不一致的情况 泛泛而谈 确定性简历。随机情景 贝叶斯误差噪声 估计和近似误差 选型
Radmeacher 复杂性和 VC – 维度 偏差 - 方差权衡
  • 正则化
  • 过拟合
  • 验证
  • 支持向量机
  • Kriging(高斯过程回归)
  • PCA 和内核 PCA
  • 自组织地图 (SOM)
  • 核诱导向量空间 Mercer Kernels 和 Kernel - 诱导的相似性指标
  • Reinforcement Learning
  • 第 3 天 - 深度学习
  • 这将与第 1 天和第 2 天涵盖的主题相关
  • Logistic 和 Softmax 回归 稀疏自动编码器 矢量化、主成分分析和美白 自学学习 深度网络 线性解码器 卷积和池化 稀疏编码 独立成分分析 典型相关分析 演示和应用
  • 要求

    对数学有很好的理解。

    GoOD 对基本统计的理解。

    基本的编程技能不是必需的,但建议使用。

     21 小时

    人数


    每位参与者的报价

    客户评论 (2)

    课程分类