感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程大纲
第 1 天 - 人工神经网络
简介和人工神经网络结构。
- Bio逻辑神经元和人工神经元。
- 人工神经网络的模型。
- 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。
- 反向传播学习的实际和设计问题。
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。
- 常规聚类分析过程。
- 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。
- 模糊茎的设计。
- 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
- 克里金法（高斯过程回归）
- PCA 和内核 PCA
- 自组织映射 （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 天涵盖的主题相关进行教学
- Logistic 和 Softmax 回归
- 稀疏自动编码器
- 矢量化、PCA 和美白
- 自学成才
- 深度网络
- 线性解码器
- 卷积和池化
- 稀疏编码
- 独立成分分析
- 典型相关性分析
- 演示和应用
要求
GoOD 对数学的理解。
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
客户评论 (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
课程 - Artificial Neural Networks, Machine Learning, Deep Thinking
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
