Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Deep Learning vs Machine Learning vs Altri metodi
- Quando Deep Learning è adatto
- Limiti di Deep Learning
- Confronto tra l'accuratezza e il costo di diversi metodi
Cenni preliminari sui metodi
- Reti eStrati
- Avanti/Indietro: i calcoli essenziali dei modelli compositivi stratificati.
- Perdita: il compito da apprendere è definito dalla perdita.
- Risolutore: il risolutore coordina l'ottimizzazione del modello.
- Catalogo Layer: il layer è l'unità fondamentale di modellazione e calcolo
- Convoluzione
Metodi e modelli
- Backprop, modelli modulari
- Modulo Logsum
- Rete RBF
- Perdita MAP/MLE
- Trasformazioni dello spazio dei parametri
- Modulo convoluzionale
- Apprendimentobasato sul gradiente
- Energia per inferenza,
- Obiettivo per l'apprendimento
- PCA; NLL:
- Modelli di variabili latenti
- LVM probabilistico
- Funzione di perdita
- Rilevamento con Fast R-CNN
- Sequenze con LSTM e Visione + Linguaggio con LRCN
- Previsione pixelwise con FCN
- Progettazione del framework e futuro
Utensileria
- Caffe
- Flusso tensore
- R
- Matlab
- Altri...
Requisiti
E' richiesta qualsiasi conoscenza del linguaggio di programmazione. La familiarità con Machine Learning non è richiesta ma utile.
21 ore