课程大纲

第一天:

基本 Machine Learning

模块-1

介绍:

  • 练习 – 安装 Python 和 NN 库
  • 为什么选择机器学习?
  • 机器学习简史
  • 深度学习的兴起
  • 机器学习的基本概念
  • 可视化分类问题
  • 决策边界和决策区域
  • iPython 笔记本

模块-2

  • 练习 – 决策区域
  • 人工神经元
  • 神经网络、前向传播和网络层
  • 激活函数
  • 锻炼 – 激活功能
  • 错误的反向传播
  • 欠拟合和过拟合
  • 插值和平滑
  • 外推和数据抽象
  • 机器学习中的泛化

模块-3

  • 练习 – 欠拟合和过度拟合
  • 训练、测试和验证集
  • 数据偏差和负例问题
  • 偏差/方差权衡
  • 练习 – 数据集和偏差

模块-4

  • NN 参数和超参数概述
  • 逻辑回归问题
  • 成本函数
  • 示例 – 回归
  • 经典机器学习与深度学习
  • 结论

第2天:卷积Neural Networks(CNN)

模块-5

  • 美国有线电视新闻网简介
  • 什么是有线电视新闻网?
  • Computer 愿景
  • 日常生活中的CNN
  • 图像 – 像素、颜色和空间量化、RGB
  • 卷积方程和物理意义,连续与离散
  • 练习 – 一维卷积

模块-6

  • 过滤的理论基础
  • 信号作为正弦波之和
  • 频谱
  • 带通滤波器
  • 练习 – 频率过滤
  • 2D 卷积滤波器
  • 填充和步幅
  • 作为带通滤波器
  • 筛选为模板匹配
  • 练习 – 边缘检测
  • 用于局部频率分析的Gabor滤波器
  • 练习 – Gabor 过滤器作为第 1 层地图

模块-7

  • 美国有线电视新闻网架构
  • 卷积层
  • 最大池化层数
  • 图层缩减采样
  • 递归数据抽象
  • 递归抽象示例

模块-8

  • 练习 – CNN 基本用法
  • ImageNet 数据集和 VGG-16 模型
  • 特征图的可视化
  • 特征含义的可视化
  • 练习 – 特征图和特征含义

第3天:序列模型

模块-9

  • 什么是序列模型?
  • 为什么要对模型进行排序?
  • 语言建模用例
  • 时间序列与空间序列

模块-10

  • 核糖核酸
  • 循环体系结构
  • 随时间反向传播
  • 渐变消失
  • 格鲁
  • LSTM
  • 深度循环神经网络
  • 双向循环神经网络
  • 练习 – 单向与双向循环神经网络
  • 采样序列
  • 序列输出预测
  • 练习 – 序列输出预测
  • 简单时变信号上的 RNN
  • 练习 – 基本波形检测

模块-11

  • 自然语言处理 (NLP)
  • Word 嵌入
  • Word 向量: word2vec
  • Word 载体:GloVe
  • 知识转移和词嵌入
  • 情绪分析
  • 练习 – 情绪分析

模块-12

  • 量化和消除偏差
  • 锻炼 – 消除偏见
  • 音频数据
  • 波束搜索
  • 注意力模型
  • 语音识别
  • 触发词检测
  • 运动 – Speech Recognition

要求

参加本课程不需要任何特定要求。

  21 小时
 

人数


开始

完结


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

相关课程

课程分类