План на курса

Ден 1:

Основен Machine Learning

Модул-1

Въведение:

    Упражнение – Инсталиране на Python и NN библиотеки Защо машинно обучение? Кратка история на машинното обучение Възходът на дълбокото обучение Основни понятия в машинното обучение Визуализиране на класификационен проблем Граници на вземане на решения и области на вземане на решения iPython преносими компютри

Модул-2

    Упражнение – Региони за вземане на решения Изкуственият неврон Невронната мрежа, разпространението напред и мрежовите слоеве Функции за активиране Упражнение – Функции за активиране Обратно разпространение на грешка Недостатъчно и свръхнапасване Интерполация и изглаждане Екстраполация и абстракция на данни Обобщение в машинното обучение

Модул-3

    Упражнение – Недостатъчно и прекомерно оборудване Набори за обучение, тестване и валидиране Отклонение на данните и проблемът с отрицателния пример Компромис между пристрастия/вариация Упражнение – Набори от данни и пристрастия

Модул-4

    Преглед на NN параметри и хиперпараметри Проблеми с логистична регресия Функции на разходите Пример – Регресия Класическо машинно обучение срещу дълбоко обучение Заключение

Ден-2: Конволюционен Neural Networks (CNN)

Модул-5

    Въведение в CNN Какво представляват CNN? Computer визия CNN в ежедневието Изображения – пиксели, квантуване на цвят и пространство, уравнения на RGB Convolution и физическо значение, непрекъснато срещу дискретно Упражнение – 1D Convolution

Модул-6

    Теоретична основа за филтриране Сигнал като сбор от синусоиди Честотен спектър Лентови филтри Упражнение – Честотно филтриране 2D конволюционни филтри Подложка и дължина на крачка Филтър като лентов филтър като съвпадение на шаблон Упражнение – Откриване на ръба Филтри на Gabor за локализиран честотен анализ Упражнение – Филтри на Gabor като карти на слой 1

Модул-7

    Архитектура на CNN Конволюционни слоеве Максимални слоеве за обединяване Слоеве за намаляване на дискретизацията Рекурсивна абстракция на данни Пример за рекурсивна абстракция

Модул-8

    Упражнение – Основно използване на CNN Набор от данни на ImageNet и модела VGG-16 Визуализация на карти на характеристики Визуализация на значения на характеристики Упражнение – Карти на функции и значения на характеристики

Ден-3: Модел на последователност

Модул-9

    Какво представляват моделите на последователност? Защо последователни модели? Случай на използване на езиково моделиране Последователности във времето срещу последователности в пространството

Модул-10

    RNN Повтаряща се архитектура Обратно разпространение във времето Изчезващи градиенти GRU LSTM Deep RNN Двупосочна RNN Упражнение – Еднопосочна срещу двупосочна RNN Последователности за вземане на проби Прогноза на последователност на изхода Упражнение – Прогноза на последователност на изхода RNN върху прости сигнали, променящи се във времето Упражнение – Основно откриване на форма на вълна

Модул-11

    Обработка на естествен език (NLP) Word вграждания Word вектори: word2vec Word вектори: GloVe Трансфер на знания и вграждания на думи Анализ на настроението Упражнение – Анализ на настроението

Модул-12

    Количествено определяне и премахване на отклонение Упражнение – Премахване на отклонение Аудио данни Търсене на лъч Модел на внимание Разпознаване на реч Задействаща дума Упражнение за откриване – Speech Recognition

Изисквания

Няма специфични изисквания, необходими за посещаване на този курс.

  21 Hours
 

Брой участници


Започва

Свършва


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Свързани Kурсове

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Свързани Kатегории