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。
課程時長 21 時間：
課程簡介
第一天 - 人工神經網絡
簡介與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。
- 典型的網絡架構類別。
數學基礎與學習機制。
- 復習向量與矩陣代數。
- 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（Hebbian learning）。
- 競爭學習。
單層感知器。
- 感知器的結構與學習。
- 模式分類器 - 簡介與貝葉斯分類器。
- 作為模式分類器的感知器。
- 感知器收斂。
- 感知器的局限性。
前饋ANN。
- 多層前饋網絡的結構。
- 反向傳播算法。
- 反向傳播 - 訓練與收斂。
- 利用反向傳播進行函數近似。
- 反向傳播學習的實踐與設計問題。
徑基函數網絡（RBF）。
- 模式可分性與內插。
- 正則化理論。
- 正則化與RBF網絡。
- RBF網絡的設計與訓練。
- RBF的近似性質。
競爭學習與自組織ANN。
- 一般的聚類程序。
- 學習矢量量化（LVQ）。
- 競爭學習算法與架構。
- 自組織特徵圖。
- 特徵圖的性質。
模糊神經網絡。
- 神經模糊系統。
- 模糊集合與邏輯背景。
- 模糊系統設計。
- 模糊ANN設計。
應用
- 討論幾個神經網絡應用的實例、其優點及面臨的問題。
第二天 - 機器學習
- PAC學習框架
- 有限假設集合的保證 – 一致情況
- 有限假設集合的保證 – 不一致情況
- 通用性
- 確定性 vs. 隨機性場景
- 貝葉斯誤差噪聲
- 估計與近似誤差
- 模型選擇
- Rademacher複雜度與VC維度
- 偏差-方差權衡
- 正則化
- 過擬合
- 驗證
- 支持向量機（SVM）
- 克里金法（高斯過程回歸）
- PCA與核PCA
- 自組織圖（SOM）
- 核誘導向量空間
- Mercer核與核誘導相似度度量
- 強化學習
第三天 - 深度學習
本課程內容將結合第一天和第二天所涵蓋的主題進行講解
- Logistic回歸與Softmax回歸
- 稀疏自動編碼器
- 向量化、PCA與白化
- 自學學習（Self-Taught Learning）
- 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
- 演示與應用
最低要求
對數學有紮實的理解。
對基礎統計學有良好的掌握。
雖然不要求具備基本編程技能，但建議擁有相關基礎。
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
