Programa do Curso

Deep Learning vs Machine Learning vs Outros métodos

  • Quando Deep Learning é adequado
  • Limites de Deep Learning
  • Comparando precisão e custo de diferentes métodos

Visão geral dos métodos

  • Redes e Camadas
  • Avançar/Retroceder: os cálculos essenciais de modelos composicionais em camadas.
  • Perda: a tarefa a ser aprendida é definida pela perda.
  • Solver: o solucionador coordena a otimização do modelo.
  • Catálogo de Camadas: a camada é a unidade fundamental de modelagem e computação
  • Convolução​

Métodos e modelos

  • Backprop, modelos modulares
  • Módulo Logsum
  • Rede RBF
  • Perda de MAP/MLE
  • Transformações de espaço de parâmetros
  • Módulo Convolucional
  • Aprendizagem Baseada em Gradiente
  • Energia para inferência,
  • Objetivo para aprender
  • PCA; NLL:
  • Modelos de variáveis ​​latentes
  • LVM probabilístico
  • Função de perda
  • Detecção com Fast R-CNN
  • Sequências com LSTMs e Visão + Linguagem com LRCN
  • Previsão pixel a pixel com FCNs
  • Design de estrutura e futuro

Ferramentas

  • Caffe
  • Fluxo tensor
  • R
  • Matlab
  • Outros...

Requisitos

São necessários conhecimentos de qualquer linguagem de programação. A familiaridade com Machine Learning não é obrigatória, mas é benéfica.

  21 horas
 

Cursos Relacionados

Categorias Relacionadas