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.
課程簡介
第 1 天 - 人工神經網路
簡介和人工神經網路結構。
- Bio邏輯神經元和人工神經元。
- 人工神經網路的模型。
- 人工神經網路中使用的啟動函數。
- 典型的網路架構類別。
Mathematical 基礎和學習機制。
- 重新審視向量和矩陣代數。
- 狀態空間概念。
- 優化的概念。
- 糾錯學習。
- 基於記憶的學習。
- 赫比安學習。
- 競爭性學習。
單層感知器。
- 感知器的結構和學習。
- 模式分類器 - 簡介和貝葉斯分類器。
- 感知器作為模式分類器。
- 感知器收斂。
- 感知器的局限性。
前饋 ANN。
- 多層前饋網路的結構.
- 反向傳播演算法。
- 反向傳播 - 訓練和收斂。
- 具有反向傳播的函數近似。
- 反向傳播學習的實際和設計問題。
徑向基函數網路。
- 模式可分離性和插值。
- 正則化理論。
- 正則化和 RBF 網路。
- RBF 網路設計和培訓。
- RBF 的近似屬性。
競爭性學習和自組織 ANN。
- 常規聚類分析過程。
- 學習向量量化 （LVQ）。
- 競爭性學習演算法和架構。
- 自組織特徵圖。
- 特徵圖的屬性。
模糊 Neural Networks。
- 神經模糊系統。
- 模糊集和邏輯的背景。
- 模糊莖的設計。
- 模糊人工神經網路的設計。
應用
- 本文將討論神經網路應用的幾個例子，以及它們的優點和問題。
第 -2 天：機器學習
- PAC 學習框架
- 有限假設集的保證 - 一致情況
- 有限假設集的保證 – 不一致情況
- 泛泛而談
- 確定性簡歷。隨機情景
- 貝葉斯誤差雜訊
- 估計和近似誤差
- 選型
- Radmeacher 複雜性和 VC – 維度
- 偏差 - 方差權衡
- 正則化
- 過擬合
- 驗證
- 支援向量機
- 克里金法（高斯過程回歸）
- PCA 和內核 PCA
- 自組織映射 （SOM）
- 核誘導向量空間
- Mercer Kernels 和 Kernel - 誘導的相似性指標
- Reinforcement Learning
第 3 天 - 深度學習
這將與第 1 天和第 2 天涵蓋的主題相關進行教學
- Logistic 和 Softmax 回歸
- 稀疏自動編碼器
- 矢量化、PCA 和美白
- 自學成才
- 深度網路
- 線性解碼器
- 卷積和池化
- 稀疏編碼
- 獨立成分分析
- 典型相關性分析
- 演示和應用
最低要求
GoOD 對數學的理解。
GoOD 對基本統計的理解。
基本的程式設計技能不是必需的，但建議使用。
21 時間：
客戶評論 (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
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.
