知名線上課程 深度學習菜鳥救星-讓你一次學會AI深度學習(含教材) 講師:林澤佑 影音教學 中文發音 繁體中文版(DVD版)
人工智慧是當前資訊領域最受矚目的一塊，而深度學習是人工智慧中最受歡迎的技能之一。\n在本課程中，你將掌握深度學習的基礎、了解如何構建神經網絡，以及學習如何以各種方式改善模型。我們將會介紹深度學習最重要的三大模型：DNN、CNN、RNN，以及隨後衍生出的各式進階模型與技術。
深度學習介紹
課程前言
人工智慧、機器學習與深度學習的關係
深度學習介紹與情境應用
深度學習的熱門套件與 Google Colab 線上開發環境
深度學習的基本模型: 深層神經網路(DNN)
神經網路的基本架構
神經網路的數學模型
神經網路的學習原理
為何需要激活函數？
淺層神經網路
為何需要深層神經網路？
分類問題中的資料表示法：單熱編碼與軟性最大值函數
實作中遇到的七個問題
實作：下載並整理第一個資料集MNIST手寫數字資料集
實作:建立第一個神經網路模型 - MNIST手寫數字圖片辨識
實作：模型的評估
實作：模型的儲存與載入
模型最佳化
過擬合 (Overfitting) 與欠擬合 (Underfitting)
實作：模型最佳化
卷積神經網路 (CNN)
CNN 基本結構1：卷積層 (convolution layer)
CNN 基本結構2：池化層 (pooling layer)
經典的卷積神經網路模型：LeNet – 5 與 AlexNet
實作：MNIST手寫數字圖片辨識
【作業說明】建立CIFAR-10資料集上的CNN分類模型
【參考答案】建立CIFAR-10資料集上的CNN分類模型
CNN 與 DNN 的關係：局部連接與共用權重
循環神經網路 (RNN)
序列資料與循環神經網路 (RNN)
RNN 的數學模型
RNN 與 DNN 的相似處及梯度消失問題
長短期記憶 (LSTM)
門控循環單元 (GRU)
RNN 模型的各種可能
實作：建立 RNN 模型的方法
實作：建立 MNIST手寫數字圖片的 RNN 分類模型
總結與未來展望
三大基本模型回顧
|
|
您現在的位置：
專業知識教學
