感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
第一天 - 人工神經網絡
概述與 ANN 結構
- 生物神經元與人工神經元。
- ANN 模型。
- ANN 中使用的激活函數。
- 典型網絡架構類別。
數學基礎與學習機制
- 回顧向量與矩陣代數。
- 狀態空間概念。
- 優化概念。
- 誤差校正學習。
- 基於記憶的學習。
- 赫布學習法。
- 競爭性學習。
單層感知器
- 感知器的結構與學習。
- 模式分類器 - 概述與貝葉斯分類器。
- 作為模式分類器的感知器。
- 感知器收斂性。
- 感知器的局限性。
前饋人工神經網絡
- 多層前饋網絡的結構。
- 反向傳播算法。
- 反向傳播 - 訓練與收斂。
- 使用反向傳播進行函數逼近。
- 反向傳播學習的實務與設計問題。
徑向基函數網絡
- 模式可分離性與插值。
- 正則化理論。
- 正則化與 RBF 網絡。
- RBF 網絡的設計與訓練。
- RBF 的逼近特性。
競爭性學習與自組織人工神經網絡
- 通用聚類程序。
- 學習向量量化（LVQ）。
- 競爭性學習算法與架構。
- 自組織特徵映射。
- 特徵映射的特性。
模糊神經網絡
- 神經模糊系統。
- 模糊集與邏輯背景。
- 模糊子系統的設計。
- 模糊 ANN 的設計。
應用
- 討論神經網絡應用的幾個範例，及其優勢與問題。
第二天 - 機器學習
- PAC 學習框架
- 有限假設集的保證 - 一致情況
- 有限假設集的保證 - 不一致情況
- 一般性議題
- 確定性與隨機場景
- 貝葉斯誤差噪聲
- 估計與逼近誤差
- 模型選擇
- Rademacher 複雜度與 VC 維
- 偏差 - 方差權衡
- 正則化
- 過擬合
- 驗證
- 支援向量機
- 克里金法（高斯過程回歸）
- PCA 與核 PCA
- 自組織映射（SOM）
- 核誘導向量空間
- Mercer 核與核誘導相似性度量
- 強化學習
第三天 - 深度學習
此部分將結合第一天與第二天涵蓋的主題進行講授
- 邏輯斯迴歸與 Softmax 回歸
- 稀疏自動編碼器
- 向量化、PCA 與白化
- 自教學習
- 深度網絡
- 線性解碼器
- 卷積與池化
- 稀疏編碼
- 獨立成分分析
- 典型相關分析
- 示範與應用
最低要求
需具備良好的數學基礎。
需具備良好的基本統計學知識。
不需必備編程技能，但建議掌握。
21 小時
客戶評論 (2)
從第一性原理出發，專注於實踐，並在同一天內應用案例分析
Maggie Webb - Department of Jobs, Regions, and Precincts
課程 - Artificial Neural Networks, Machine Learning, Deep Thinking
機器翻譯
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.
Jonathan Blease
課程 - Artificial Neural Networks, Machine Learning, Deep Thinking
機器翻譯
