Concept
Réseau neuronal résiduel
Séances de cours associées (207)
Récapitulation des réseaux neuraux : fonctions d'activation
Couvre les bases des réseaux neuronaux, des fonctions d'activation, de la formation, du traitement d'image, des CNN, de la régularisation et des méthodes de réduction de dimensionnalité.
Théorie de l'apprentissage statistique: Conclusions sur l'apprentissage profond
Couvre les conclusions sur l'apprentissage profond et une introduction à la théorie de l'apprentissage statistique.
Réduction de la dimensionnalité : PCA et autoencodeurs
Introduit des réseaux de neurones artificiels, des CNN et une réduction de la dimensionnalité à l'aide de PCA et d'auto-encodeurs.
Les systèmes d’image sociale : du passé au présent
Explore l'évolution des systèmes d'image sociale, des modèles d'apprentissage en profondeur, des selfies et de la biométrie sur les plateformes en ligne.
Réduction de la dimensionnalité non linéaire
Couvre les techniques de réduction de dimensionnalité non linéaire à l'aide d'autoencodeurs, d'autoencodeurs profonds et d'autoencodeurs convolutifs pour diverses applications.
Comprendre l'apprentissage profond
Explore les fondamentaux de l'apprentissage profond, y compris la classification de l'image, les principes de travail du réseau neuronal et les défis de l'apprentissage automatique.
Réseaux neuronaux convolutionnels
Introduit des réseaux neuronaux convolutionnels (RCN) pour les véhicules autonomes, couvrant l'architecture, les applications et les techniques de régularisation.
Tomographie quantique d'état : approche de réseau neuronal
Explore une approche de réseau neuronal à la tomographie d'état quantique utilisant RBM, présentant des prédictions précises et des applications potentielles au-delà de RBM.
Bâtir des réseaux neuraux physiques
Discute des défis liés à la construction de réseaux neuraux physiques, en mettant l'accent sur la profondeur, les connexions et la capacité de formation.
Prévisions de trajectoire dans les véhicules autonomes
Explore la prévision des trajectoires dans les véhicules autonomes, en mettant l'accent sur les modèles d'apprentissage profond pour prédire les trajectoires humaines dans les scénarios de transport socialement conscients.