反向傳播背後的數學 | 理論與 Python 程式碼

在你自己的神經網路中從頭實現反向傳播( Backpropagation )和梯度下降( Gradient Descent )，然後無需任何程式庫即可編寫程式碼

從這 4.5 小時的課程，你會學到

理解並手動和代碼實現反向傳播
了解神經網路的數學基礎
無需任何函式庫，用 Python 建立並訓練自己的前饋神經網絡
探索反向傳播的常見陷阱
透過範例數值計算導數、偏導數和梯度
求損失函數( Loss Functions ) 和啟動函數( Activation Functions )的導數
了解衍生性商品是什麼
可視化梯度下降法
手動實現梯度下降
使用 Python 編寫多個神經網絡
了解偏導數在反向傳播中的工作原理
理解梯度及其如何引導機器學習
了解我們為什麼使用啟動函數
理解學習率在梯度下降中的作用

要求

基本的 Python 知識
高中數學

課程說明

揭開現代人工智慧演算法背後的秘密：反向傳播( backpropagation )。這個基本概念推動了神經網路的學習過程，為自動駕駛汽車、大型語言模型 (LLM， large language models.)、醫學成像突破等技術提供支援。

在“反向傳播(Backpropagation)背後的數學 |理論與程式碼”，我們帶你從零開始到精通，透過理論和實踐探索反向傳播。從基礎開始，你將學習反向傳播背後的數學知識，包括導數、偏導數和梯度。我們將揭開梯度下降的神秘面紗，向你展示機器如何自我優化以有效提高性能。

但這不僅僅是理論 – 你需要捲起袖子，從頭開始實現反向傳播，首先手動計算所有內容，以確保你理解每個步驟。然後，你將轉向 Python 程式編寫，建立自己的神經網絡，而無需依賴任何程式庫或預先建置工具。最後，你將確切地了解反向傳播的工作原理，從數學到程式碼等等。

無論你是一位有抱負的機器學習工程師、一位轉型為人工智慧的開發人員，還是一位尋求更深入了解的資料科學家，本課程都會提供你大多數專業人士所不具備的稀有技能。掌握反向傳播，在人工智慧中脫穎而出，並獲得建立神經網路的信心，憑藉基礎知識讓你在這個競爭激烈的領域中脫穎而出。

目標受眾

想要加深對神經網路數學基礎理解的資料科學家。
有抱負的機器學習工程師希望在人工智慧演算法中建立堅實的基礎。
軟體開發人員希望進入令人興奮的機器學習和人工智慧世界。
學生和愛好者渴望了解機器學習的真正工作原理。
專業人士旨在透過掌握超越基本框架的技能，在 LLM 和先進人工智慧時代保持競爭力。

講師簡介

Patrik Szepesi 機器學習工程師

Patrik Szepesi 是一位資深機器學習工程師/資料科學家，其職業生涯橫跨學術界、矽谷科技公司和全球領先的金融機構。 Patrik 運用他的專業知識在自動駕駛汽車、銀行業和醫療保健等各個領域開拓尖端機器學習解決方案。他多才多藝的技能使他有機會在Morgan Stanley 和 John Deere 等公司工作，並幫助創造了世界上第一輛全自動農業車輛。 Patrik 對該領域的貢獻不僅限於專業領域；作為 Óbuda University 的機器學習研究員，他開發了用於醫學影像分類的創新深度卷積神經網絡，其研究成果發表在《生物控制論》和《生物醫學工程》等知名期刊上。目前，他在加州一家大型醫療保健公司擔任高級機器學習工程師。他曾擔任 AWS 技術佈道師，目前擁有以下 AWS 認證：AWS Machine Learning Specialty 和 AWS Solutions Architect Associate。