Schița de curs

Deep Learning vs Machine Learning vs alte metode

  • Când Deep Learning este potrivit
  • Limitele Deep Learning
  • Compararea preciziei și costurilor diferitelor metode

Prezentare generală a metodelor

  • Plase și Straturi
  • Înainte / Înapoi: calculele esențiale ale modelelor compoziționale stratificate.
  • Pierdere: sarcina de învățat este definită de pierdere.
  • Solver: solutorul coordonează optimizarea modelului.
  • Catalog de straturi: stratul este unitatea fundamentală de modelare și calcul
  • Convoluția

Metode și modele

  • Backprop, modele modulare
  • Modul Logsum
  • RBF Net
  • Pierdere MAP/MLE
  • Transformări ale spațiului parametrilor
  • Modulul convoluțional
  • Învățare bazată pe gradient
  • Energie pentru inferență,
  • Obiectiv pentru învățare
  • PCA; NLL:
  • Modele variabile latente
  • LVM probabilistic
  • Funcția de pierdere
  • Detectare cu Fast R-CNN
  • Secvențe cu LSTM-uri și Vision + Language cu LRCN
  • Predicție pixeli cu FCN
  • Design-cadru și viitor

Instrumente

  • Caffe
  • Tensorflow
  • R
  • Matlab
  • Alții...

Cerințe

Este necesară cunoașterea oricărui limbaj de programare. Familiarizarea cu Machine Learning nu este obligatorie, dar este benefică.

  21 ore
 

Numărul de participanți


Dată început

Dată sfârșit


Dates are subject to availability and take place between 09:30 and 16:30.

Pret per participant

Cursuri înrudite

Categorii înrudite