fbpx

機器學習的神經網路

關於課程

了解人工神經網路及其如何用於機器學習,應用於語音和物件識別、圖像分割、建模語言和人體運動等。我們將強調基本演算法和所需的實用技巧以讓他們良好地運作。

本課程包含 2013 年開始在 Coursera 上展示的相同內容。它不是原始課程的延續或更新。它已經就新平台製作。

請注意,該課程適合中級學習者 – 熟悉微積分並具備程式設計經驗(Python)。

製作方  

UofT-Crest-Square.jpeg University of Toronto

多倫多大學,位於加拿大安大略省的多倫多市,與安大略省政府及議會環繞在市中心的女王公園四周,現已發展成為一所以聖喬治校區為主,密西沙加校區和士嘉寶校區為輔的,以「一主兩翼」為格局的世界知名研究性大學。學校始於1827年英國喬治四世頒布的皇家憲章,是殖民時代上加拿大最早建立的高等學府。(來自維基百科)

teacher.png

cc.png

 8 月 6 日 開課

第 1 週  介紹

課程簡介 – 機器學習和神經網路


第 2 週  感知學習程序

概述神經網路架構的主要類型


第 3 週 反向傳播學習過程

學習線性神經元的權重
含程式作業 1: The perceptron learning algorithm


第 4 週 學習單詞的特徵向量

學會預測下一個詞


第 5 週 神經網路的物件識別

在本單元中,我們將了解為什麼物件識別很困難。
含程式作業 2 : Learning Word Representations


第 6 週 優化:如何使學習更快

我們深入研究小批量梯度下降以及討論自適應學習率。


第 7 週 遞歸神經網路

該模組探索訓練遞歸神經網路


第 8 週 更多遞歸神經網路

我們繼續研究遞歸神經網路


第 9 週 使神經網路泛化更好的方法

我們討論使神經網路更好地泛化( generalize )策略

含程式設計作業 3: Optimization and generalization


第 10 週 結合多個神經網路來改善泛化

本單元我們將探討為什麼它有助於組合多個神經網絡以改善泛化( generalization )


第 11 週 Hopfield 網( nets )和 Boltzmann 機器

說明 Hopfield 網( nets )和 Boltzmann 機器


第 12 週 受限制的 Boltzmann 機器(RBM)

該模組涉及 Boltzmann 機器學習


第 13 週 堆疊 RBM 以製作深度信仰網( Deep Belief Nets )

含程式設計作業 4: Restricted Boltzmann Machines


第 14 週 具有生成性預訓練的深度神經網( Deep neural nets )


第 15 週  用神經網模組化階級架構

期末考


第 16 週 深度神經網路的最新應用


到官方網站了解本課程與上課


Sponsored by Coursera

你可能會有興趣

好課程與好朋友分享,按以下分享鍵與朋友一起學習吧!

發表迴響

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: