推荐新智元
来源:专业知识
后台回复“DLPY10”获取深度学习课程PPT下载链接~
Francois Fleuret于2000年和2006年分别获得巴黎第六大学和巴黎第十三大学的数学博士学位。他是瑞士Idiap研究所计算机视觉和学习小组的负责人。在此之前，他曾在芝加哥大学、法国信息与自动化学院和瑞士洛桑联邦理工学院工作。他是IEEE模式分析和机器智能交易的副主编，也是多个欧洲资助机构的专家。
深度学习课程概述
本课程的目标是提供深度机器学习的完整解释。如何设计一个神经网络，如何训练它，以及现有的哪些技术处理非常大的网络结构。本课程旨在教授应用问题深度学习方法所需的技能。
课程计划内容:
1.什么是深度学习？张量介绍。
2.基本的机器学习，经验风险最小化和简单嵌入。
3.线性可分性，多层感知器，反向传播。
4.通用网络，自动签名，批处理，卷积网络。
5.初始化、优化和正则化。掉线，激活正常化，跳过连接。
6.计算机视觉的深度模型。
7.深入的模型分析。
8.自编码器、嵌入式和生成模型。
9.循环模型与自然语言处理。
10.pytorch张量，深度学习模块，内部组件。
深度学习课程指南
简介1.1从神经网络到深度学习，21张幻灯片
1.2当前成功应用的示例22张幻灯片
1.3发生了什么？
1.4张量基础和线性回归12张幻灯片
1.5高维张量。15张幻灯片
1.6张量内部5页幻灯片
2.机器学习基础2.1损失函数和风险。15张幻灯片
2.2过装配和欠装配。第24页幻灯片
2.3差异-偏差困境10张幻灯片
2.4合适的评价方法6张幻灯片
2.5基本聚类和嵌入方法第19页幻灯片
3.多层感知器和反向传播3.1。
3.2线性分类器的概率观。
3.3线性可分性和特征设计。
3.4多层传感器。
3.5梯度下降法。
3.6反向传播。
4.算子、自签名和卷积层的图形操作4.1 DAG网络。
4.2亲笔签名。
4.3 PyTorch模块和批处理。
4.4卷积。
4.5游泳池
4.6写一个PyTorch模块。
5.初始化和优化。5.1交叉熵损失。
5.2随机梯度下降法。
5.3 PyTorch优化。
5.3 L1和L2的处罚。
5.4参数初始化。
5.5网络架构选择和培训协议。
5.6写一个亲笔签名的函数。
6.深入6.1深度的好处。
6.2校正器。
6.3辍学
6.4批量标准化。
6.5剩余网络。
6.6使用gpu。
7计算机视觉。7.1计算机视觉任务。
7.2用于图像分类的网络。
7.3目标探测网络。
7.4用于语义分割的网络。
7.5数据加载器和神经。
8.8.1处理的关键技巧和方法看参数。
8.2激活。
8.3视觉输入中的处理。
8.4优化输入。
9.自编码器和生成模型。9.1换位操作。
9.2自动编码器.
9.3去噪和变分自编码器。
9.4非卷保存网络。
10.生成对抗模型。10.1生成对抗网络。
10.2瓦瑟斯坦甘.
10.3有条件的GAN和图像转换。
10.4模型持久性和检查点。
1周期模型和NLP 11.1周期神经网络
LSTM和格鲁
11.3单词嵌入和翻译。
阅读更多:突发！中国法院最初裁定禁止销售几款iPhone，而高宝获得了苹果？孟晚舟终于被保释了！抱着律师哭，现场掌声雷动，禁iPhone，升级！求高通美国禁止进口苹果，5G vs英特尔躺枪
