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。
课程时长 21 小时
课程大纲
第一天 - 人工神经网络
引言与ANN结构。
- 生物神经元与人工神经元。
- ANN模型。
- ANN中使用的激活函数。
- 典型的网络架构类别。
数学基础与学习机制。
- 回顾向量和矩阵代数。
- 状态空间概念。
- 优化概念。
- 误差纠正学习。
- 基于记忆的学习。
- 赫布学习。
- 竞争学习。
单层感知器。
- 感知器的结构与学习。
- 模式分类器 - 引言与贝叶斯分类器。
- 作为模式分类器的感知器。
- 感知器收敛性。
- 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 - 训练与收敛。
- 利用反向传播进行函数逼近。
- 反向传播学习的实际与设计问题。
径向基函数网络。
- 模式可分性与插值。
- 正则化理论。
- 正则化与RBF网络。
- RBF网络的设计与训练。
- RBF的逼近性质。
竞争学习与自组织ANN。
- 通用聚类过程。
- 学习向量量化（LVQ）。
- 竞争学习算法与架构。
- 自组织特征映射。
- 特征映射的性质。
模糊神经网络。
- 神经模糊系统。
- 模糊集与逻辑的背景。
- 模糊系统设计。
- 模糊ANN设计。
应用
- 将讨论神经网络应用的一些示例、其优点和问题。
第二天 - 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
- 一般性
- 确定性cv.随机场景
- 贝叶斯误差噪声
- 估计和逼近误差
- 模型选择
- 拉德马赫复杂性与VC维
- 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和核PCA
- 自组织映射（SOM）
- 核诱导向量空间
- Mercer核与核诱导相似性度量
- 强化学习
第三天 - 深度学习
本部分将结合第一天和第二天涵盖的主题进行讲解
- 逻辑回归和Softmax回归
- 稀疏自编码器
- 向量化、PCA和白化
- 自学习
- 深度网络
- 线性解码器
- 卷积与池化
- 稀疏编码
- 独立成分分析
- 典型相关分析
- 演示与应用
要求
良好的数学基础。
良好的基础统计学基础。
基本编程技能不是必需的，但建议具备。
客户评论 (2)
从第一性原理出发，专注于实践，并在同一天内应用案例分析
Maggie Webb - Department of Jobs, Regions, and Precincts
课程 - Artificial Neural Networks, Machine Learning, Deep Thinking
机器翻译
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.
Jonathan Blease
课程 - Artificial Neural Networks, Machine Learning, Deep Thinking
机器翻译
