感谢您的预订!我们的团队成员将会尽快与您取得联系。
感谢您的预订!我们的团队成员将会尽快与您取得联系。
课程大纲
第 1 部分 – Deep Learning 和 DNN 概念
简介 AI, Machine Learning & Deep Learning
-
人工智能的历史、基本概念和通常应用远非该领域所承载的幻想
集体智慧:聚合许多虚拟代理共享的知识
遗传算法:通过选择进化出虚拟代理群体
常用学习机:定义。
任务类型:监督学习、无监督学习、强化学习
操作类型:分类、回归、聚类、密度估计、降维
机器学习算法示例:线性回归、朴素贝叶斯、随机树
机器学习 VS 深度学习:机器学习仍然是当今最先进的问题(Random Forest s 和 XGBoosts)
神经网络的基本概念(应用:多层感知器)
-
数学基础的提醒。
神经元网络的定义:经典架构、激活和
先前激活的权重,网络深度
神经元网络学习的定义:成本、反向传播、随机梯度下降、 最大似然的函数。
神经网络建模:根据 问题的类型(回归、分类......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。
神经元网络对函数的近似:演示和示例
神经元网络分布的近似值:演示和示例
数据增强:如何平衡数据集
神经元网络结果的泛化。
神经网络的初始化和正则化:L1 / L2 正则化、批量 归一化
优化和收敛算法
标准 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 工具
机器学习:Numpy、Scipy、Sci-kit
DL 高级框架:PyTorch、Keras、Lasagne
低级深度学习框架:Theano、Torch、Caffe、Tensorflow
卷积 Neural Networks (CNN)。
-
CNN的介绍:基本原理和应用
CNN的基本操作:卷积层,使用内核,
填充和步幅,特征图生成,池化层。扩展 1D、2D 和 3D。
介绍不同的 CNN 架构,这些架构带来了最先进的分类技术
图片: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(卷积 1x1 或残差连接)
使用注意力模型。
适用于常见分类案例(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。
复发性 Neural Networks (RNN)。
-
RNN的介绍:基本原理和应用。
RNN 的基本操作:隐藏激活、随时间反向传播、 展开版本。
向门控循环单元 (GRU) 和 LSTM(长短期记忆)的演变。
介绍不同的状态和这些架构带来的演变
收敛和消失梯度问题
经典架构:时间序列的预测、分类......
RNN 编码器解码器类型架构。使用注意力模型。
NLP应用:单词/字符编码、翻译。
视频应用:预测视频序列的下一个生成图像。
代际模型:变分自编码器 (VAE) 和生成对抗网络 (GAN)。
-
介绍代际模型,与CNN链接
自动编码器:降低维度并限制生成
变分自动编码器:给定分布 的代际模型和近似值。潜在空间的定义和使用。重新参数化技巧。观察到的应用和 限制
生成对抗网络:基础。
双网络架构 (生成器和鉴别器),具有交替学习和成本函数。
GAN的收敛和遇到的困难。
改进的收敛性:Wasserstein GAN,开始。地球移动距离。
用于生成图像或照片、文本生成、超分辨率的应用程序。
深 Reinforcement Learning。
-
强化学习的演示:在定义的环境中控制智能体
按状态和可能的行动
使用神经网络来逼近状态函数
深度Q学习:体验回放,并应用于视频游戏的控制。
优化学习策略。政策上和政策外。演员评论家 建筑。A3C的。
应用:控制单个视频游戏或数字系统。
第 2 部分 – Theano for Deep Learning
Theano 基础知识
-
介绍
安装和配置
Theano 函数
-
输入、输出、更新、给定
使用 Theano 训练和优化神经网络
-
神经网络建模
逻辑回归
隐藏层
训练网络
计算和分类
优化
日志丢失
测试模型
第 3 部分 – 使用 Tensorflow 的 DNN
TensorFlow 基础知识
-
创建、初始化、保存和恢复 TensorFlow 变量
进给、读取和预加载 TensorFlow 数据
如何使用 TensorFlow 基础设施大规模训练模型
使用 TensorBoard 可视化和评估模型
TensorFlow 力学
-
准备数据
下载
输入和占位符
构建 GraphS
推理
损失
训练
从感知器到支持向量机
-
内核和内核技巧
最大边距分类和支持向量
人造 Neural Networks
-
非线性决策边界
前馈和反馈人工神经网络
多层感知器
最小化成本函数
前向传播
反向传播
改进神经网络的学习方式
卷积 Neural Networks
-
GoALS
模型架构
原则
代码组织
启动和训练模型
评估模型
-
以下模块的基本介绍(根据时间安排提供简要介绍):
Tensorflow - 高级用法
线程和队列 分布式 TensorFlow 编写文档和共享模型 自定义数据读取器 操作 TensorFlow 模型文件
TensorFlow 服务
-
介绍
基本服务教程
高级服务教程
Serving Inception 模型教程
要求
物理、数学和编程背景。参与图像处理活动。
代表们应该事先了解机器学习概念,并且应该从事 Python 编程和库方面的工作。
35 小时