Schulungsübersicht

Deep Learning vs. Machine Learning vs. andere Methoden

  • Wann Deep Learning geeignet ist
  • Grenzen von Deep Learning
  • Vergleich von Genauigkeit und Kosten der verschiedenen Methoden

Überblick über die Methoden

  • Netze und Schichten
  • Vorwärts / Rückwärts: die wesentlichen Berechnungen von schichtweisen Kompositionsmodellen.
  • Verlust: die zu lernende Aufgabe wird durch den Verlust definiert.
  • Solver: Der Solver koordiniert die Modelloptimierung.
  • Schichtenkatalog: Die Schicht ist die grundlegende Einheit der Modellierung und Berechnung
  • Faltung

Methoden und Modelle

  • Backprop, modulare Modelle
  • Logsum-Modul
  • RBF-Netz
  • MAP/MLE-Verlust
  • Parameterraumtransformationen
  • Faltungsmodul
  • Gradientenbasiertes Lernen
  • Energie für Inferenz,
  • Zielsetzung für das Lernen
  • PCA; NLL:
  • Latente Variablenmodelle
  • Probabilistisches LVM
  • Verlustfunktion
  • Erkennung mit Fast R-CNN
  • Sequenzen mit LSTMs und Vision + Sprache mit LRCN
  • Pixelweise Vorhersage mit FCNs
  • Framework-Design und Zukunft

Werkzeuge

  • Caffe
  • Tensorflow
  • R
  • Matlab
  • Andere...

Voraussetzungen

Die Kenntnis einer beliebigen Programmiersprache ist erforderlich. Die Vertrautheit mit Machine Learning ist nicht erforderlich, aber von Vorteil.

  21 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

Verwandte Kategorien