课程大纲

    神经网络和深度学习概述 机器学习 (ML) 的概念 为什么我们需要神经网络和深度学习? 根据不同的问题和数据类型选择网络 学习和验证神经网络 比较逻辑回归与神经网络 神经网络 神经网络的生物学启示 神经网络– 神经元、感知器和 MLP(多层感知器模型) 学习 MLP – 反向传播算法 激活函数 – linear、sigmoid、Tanh、Softmax 适用于预测和分类的损失函数 参数 – 学习率、正则化、动量 在 Python 中构建神经网络 评估神经网络的性能 Python 深度网络基础知识 什么是深度学习? 深度网络架构 – 参数、层、激活函数、损失函数、求解器 受限玻尔兹曼机 (RBM) 自动编码器 深度网络架构 Deep Belief Networks(DBN) – 架构、应用 自动编码器 受限玻尔兹曼机 卷积神经网络 递归神经网络 循环神经网络 Python 中可用的库和接口概述 咖啡菲 西阿诺 张量流 克拉斯 MXNET公司 选择适当的库来解决问题 在 Python 中构建深度网络 为给定的问题选择合适的架构 混合深度网络 学习网络 – 适当的库、架构定义 整定网络 – 初始化、激活函数、损失函数、优化方法 避免过拟合 – 检测深度网络中的过拟合问题,正则化 评估深度网络 案例研究 Python 图像识别 – CNN 使用自动编码器检测异常 使用 RNN 预测时间序列 使用自动编码器降维 使用 RBM 进行分类

 

要求

机器学习、系统架构和编程语言的知识/欣赏是可取的

  14 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