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
第一部分 – 深度學習與DNN概念
介紹AI、機器學習與深度學習
- AI的歷史，基本概念及其常規應用
- 集體智能：聚合多個虛擬代理共享的知識
- 遺傳算法：通過選擇進化一個虛擬代理羣體
- 通用學習機：定義
- 任務類型：監督學習、非監督學習、強化學習
- 行動類型：分類，回歸，聚類，密度估計，維度降低
- 機器學習算法示例：線性回歸，樸素貝葉斯，隨機森林
- 機器學習與深度學習對比：目前仍處於先進水平的問題（如隨機森林和XGBoost）
神經網絡的基本概念（應用：多層感知器）
- 數學基礎回顧
- 定義一個神經網絡：經典架構，激活及
- 權重之前的激活、深度網絡
- 定義學習一個神經網絡：成本函數，反向傳播，隨機梯度下降，最大似然。
- 對神經網絡進行建模：根據問題類型（回歸、分類...）對輸入和輸出數據進行建模。維度災難。
- 區分多特徵數據與信號。根據數據選擇成本函數
- 用神經網絡近似一個函數：展示及示例
- 用神經網絡近似一個分佈：展示及示例
- 數據增強：如何平衡數據集
- 神經網絡結果的泛化。
- 神經網絡初始化與正則化：L1/L2正則化、批量歸一化
- 優化與收斂算法
標準ML/DL工具
計劃進行簡單介紹，包括優點、缺點、生態系統中的地位及用途。
- 數據管理工具：Apache Spark, Apache Hadoop工具
- 機器學習：Numpy、Scipy、Sci-kit
- DL高級框架：PyTorch、Keras、Lasagne
- 低級DL框架：Theano、Torch、Caffe、Tensorflow
卷積神經網絡(CNN)
- CNN展示：基本原則與應用
- CNN的基本操作：卷積層、使用內核
- 填充和步長、特徵映射生成、池化層。1D, 2D及3D擴展。
- 展示帶來分類領域先進技術的不同CNN架構
- 圖像：LeNet、VGG網絡、Network in Network、Inception、Resnet。介紹每種架構帶來的創新及其更廣泛的應用（如1x1卷積或殘差連接）
- 使用注意力模型
- 常見分類案例應用（文本或圖像）
- 用於生成的CNN：超解析度、像素到像素分割。展示
- 提高特徵映射以生成圖像的主要策略。
循環神經網絡(RNN)
- RNN展示：基本原則與應用
- RNN的基本操作：隱藏激活、通過時間反向傳播，展開版本。
- 向門控循環單元(GRU)和LSTM(長短期記憶)的演進
- 展示不同狀態及由這些架構帶來的改進
- 收斂與消失梯度問題
- 經典架構：時間序列預測，分類等
- RNN編碼器-解碼器型架構。使用注意力模型
- NLP應用：字/字符編碼、翻譯
- 視頻應用：預測視頻序列的下一幀圖像
生成模型：變分自編碼器(VAE)和生成對抗網絡(GAN)
- 展示生成模型，與CNN的關係
- 自編碼器：維度降低及有限生成
- 變分自編碼器：生成模型和給定數據的分佈近似。潛在空間的定義和使用。重參數化技巧。應用及觀察到的限制
- 生成對抗網絡：基礎
- 雙重網絡架構（生成器與批評者）交替學習，可用的成本函數。
- GAN的收斂性及遇到的困難
- 改善收斂：Wasserstein GAN、Begain。地球移動距離
- 應用於圖像或照片生成，文本生成，超解析度
深度強化學習
- 展示強化學習：控制一個代理在定義環境中的行為
- 基於狀態和可能的動作
- 使用神經網絡近似狀態函數
- Deep Q學習：經驗回放及應用於視頻遊戲控制
- 優化學習策略。On-policy和off-policy。Actor-Critic架構。A3C
- 應用：單一視頻遊戲或數字系統的控制
第二部分 – Theano用於深度學習
Theano基礎
- 介紹
- 安裝與配置
Theano函數
- 輸入、輸出、更新、給定值
使用Theano訓練和優化神經網絡
- 神經網絡建模
- 邏輯回歸
- 隱藏層
- 訓練網絡
- 計算與分類
- 優化
- Log Loss
測試模型
第三部分 – 使用Tensorflow進行DNN開發
TensorFlow基礎
- 創建、初始化、保存和恢復TensorFlow變量
- Feed、讀取和預加載TensorFlow數據
- 如何使用TensorFlow基礎設施進行大規模模型訓練
- 使用TensorBoard可視化並評估模型
TensorFlow機制
- 準備數據
- 下載
- 輸入和佔位符
-
構建圖
- 推斷
- 損失
- 訓練
-
訓練模型
- 圖
- Session
- 訓練循環
-
評估模型
- 構建評估圖
- Eval輸出
感知機
- 激活函數
- 感知機學習算法
- 使用感知機進行二分類
- 使用感知機進行文檔分類
- 感知機的局限性
從感知機到支持向量機
- 內核及核技巧
- 最大間隔分類和支持向量
人工神經網絡
- 非線性決策邊界
- 前饋和反饋人工神經網絡
- 多層感知器
- 最小化成本函數
- 前向傳播
- 反向傳播
- 改善神經網絡學習方式
卷積神經網絡
- 目標
- 模型架構
- 原則
- 代碼組織
- 啟動和訓練模型
- 評估模型
以下模塊的基本介紹（基於可用時間提供簡短介紹）：
Tensorflow - 高級用法
- 線程和隊列
- 分佈式TensorFlow
- 編寫文檔並分享您的模型
- 自定義數據讀取器
- 操作TensorFlow模型文件
TensorFlow Serving
- 介紹
- 基礎服務教程
- 高級服務教程
- Inception模型服務教程
最低要求
具有物理學、數學和編程背景。參與圖像處理活動。
學員應具備機器學習概念的先備知識，並有使用Python編程語言和庫的經驗。
35 小時
客戶評論 (2)
培訓組織有序、規劃得當，我從中獲得了系統化的知識，並對所涉及的主題有了深入的瞭解
Magdalena - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
我非常喜歡最後我們花時間一起探索CHAT GPT的部分。不過房間的佈置不是最佳選擇，如果能有幾張小組桌，而不是一張大桌子，這樣我們可以分成小組進行頭腦風暴，效果會更好。
Nola - Laramie County Community College
課程 - Artificial Intelligence (AI) Overview
機器翻譯
