Kursplan
Deep Learning vs Machine Learning vs andra metoder
- När Deep Learning är lämpligt
- Gränser för Deep Learning
- Jämföra noggrannhet och kostnad för olika metoder
Metodöversikt
- Nät och lager
- Framåt / Bakåt: de väsentliga beräkningarna av skiktade kompositionsmodeller.
- Förlust: uppgiften som ska läras definieras av förlusten.
- Lösare: lösaren koordinerar modelloptimering.
- Lagerkatalog: lagret är den grundläggande enheten för modellering och beräkning
- Konvolution
Metoder och modeller
- Ryggstöd, modulära modeller
- Logsum modul
- RBF Net
- MAP/MLE-förlust
- Parameter Space Transformers
- Konvolutionell modul
- Gradientbaserat lärande
- Energi för slutledning,
- Mål för lärande
- PCA; NLL:
- Latenta variabla modeller
- Probabilistisk LVM
- Förlustfunktion
- Detektering med snabb R-CNN
- Sekvenser med LSTM och Vision + Language med LRCN
- Pixelvis förutsägelse med FCN
- Ramdesign och framtid
Verktyg
- Caffe
- Tensorflöde
- R
- Matlab
- Andra...
Krav
Alla kunskaper i programmeringsspråk krävs. Förtrogenhet med Machine Learning krävs inte men fördelaktig.
Vittnesmål (2)
Hunter är fantastisk, mycket engagerande, extremt kunnig och personlig. Mycket bra gjort.
Rick Johnson - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Machine Translated
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.