Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
课程大纲
该课程分为三天，第三天可选。
Jour 1 - Machine Learning & 深度学习 ： 概念 théoriques
1. 简介 IA、Machine Learning 和深度学习
- 人工智能的历史、基本概念和通常应用与该领域所承载的幻想相去甚远
- 集体智慧：聚合许多虚拟代理共享的知识
- 遗传算法：通过选择进化虚拟代理群体
- Machine Learning usuel ： 定义.
- 类型：监督学习、无监督学习、强化学习
- Types d'actions ： classification， régression， clustering， estimation de densité， réduction de dimensionalité
- Exemples d'algorithmes Machine Learning ： 回归线性、朴素贝叶斯、随机树
- 机器学习 VS 深度学习：机器学习至今仍是最先进的问题 （Random Forests & XGBoosts）
2. 神经网络的基本概念（应用：多层感知器）
- 提醒数学基础知识。
- 神经网络的定义：经典架构、激活和加权先前激活的函数、网络深度
- 神经网络学习的定义：成本函数、反向传播、随机梯度下降、最大似然。
- 神经网络建模：根据问题类型（回归、分类等）对输入和输出数据进行建模。维度的诅咒。多特征数据和信号的区别。根据数据选择成本函数。
- 通过神经网络逼近函数：演示和示例
- 通过神经网络近似分布：演示和示例
- 数据增强：如何平衡数据集
- 神经网络结果的泛化。
- 神经网络的初始化和正则化：L1/L2 正则化、批量归一化等。
- 优化和收敛算法。
3. 常用 ML/DL 工具
计划进行简单的演示，包括优点、缺点、在生态系统中的位置和用途。
- 数据管理工具：Apache Spark、Apache Hadoop
- 常用 Machine Learning 工具：Numpy、Scipy、Sci-kit
- 高级深度学习框架：PyTorch、Keras、Lasagna
- 框架 DL bas niveau ： Theano， Torch， Caffe， Tensorflow
第 2 天 - 卷积和循环网络
4. 卷积 Neural Networks （CNN）。
- CNN简介：基础知识和应用
- CNN的基本功能：卷积层，内核的使用，填充和跨步，特征图的生成，池化层。1D、2D 和 3D 扩展。
- 介绍在图像分类方面带来最新技术的不同 CNN 架构：LeNet、VGG Networks、Network in Network、Inception、Resnet。介绍每种架构带来的创新及其更全局的应用（1x1 卷积或残差连接）
- 使用注意力模型。
- 应用于常见的分类场景（文本或图像）
- 用于生成的 CNN：超分辨率、像素到像素分割。介绍增加图像生成特征图的主要策略。
5. 复发性 Neural Networks （RNN）。
- RNN的介绍：基本原理和应用。
- Fonctionnement fondamental du RNN：隐藏激活，随时间反向传播，展开版本。
- 向 GRU（门控循环单元）和 LSTM（长短期记忆）的演变。介绍这些架构带来的不同状态和演变
- 收敛问题和梯度消失
- 经典架构的类型：时间序列的预测、分类等。
- RNN 编码器解码器架构。使用注意力模型。
- 应用NLP：单词/字符编码，翻译。
- 视频应用：预测视频序列的下一帧生成。
第 3 天 - 代际模型和 Reinforcement Learning
6. Modèles générationnels ： 变分自编码器 （VAE） 和生成对抗网络 （GAN）.
- 介绍代际模型，与第 2 天看到的 CNN 链接
- 自动编码：降维和有限生成
- 变分自动编码器：分代模型和一段数据分布的近似值。潜在空间的定义和使用。重新参数化技巧。应用和观察到的局限性
- 生成对抗网络：基础。双网络架构（生成器和判别器），具有交替学习和成本函数。
- GAN的收敛和遇到的困难。
- 收敛美洲 ： Wasserstein GAN， BeGAN.地球移动距离。
- 图像或照片生成应用程序，文本生成，超级 分辨率。
7.深Reinforcement Learning。
- 强化学习简介：在由状态和可能的动作定义的环境中控制智能体
- 使用神经网络近似状态函数
- Deep Q Learning ： experience replay， et application au contrôle d'un jeu vidéo.
- 优化 de la politique d'apprentissage。政策上和政策外。演员评论家建筑。A3C的。
- 应用：控制简单的视频游戏或数字系统。
要求
工程师级
21 小时
