Séance de cours
Réseaux neuronaux : Réseaux neuronaux profonds
Séances de cours associées (370)
Deep Learning : réseaux neuronaux convolutifs
Présente les réseaux neuronaux convolutifs, en expliquant leur architecture, leur processus de formation et leurs applications dans les tâches de segmentation sémantique.
Comprendre l'apprentissage automatique : des modèles parfaitement solubles
Explore la mécanique statistique de l'apprentissage, en mettant l'accent sur les mystères des réseaux neuronaux et les défis informatiques.
Deep Learning: Représentations de données et réseaux neuraux
Explore les représentations de données, les histogrammes, les réseaux neuronaux et les concepts d'apprentissage profond.
Réseaux neuronaux profonds : optimisation et approximation
Explore l'optimisation et l'approximation dans les réseaux neuronaux profonds, y compris le contrôle optimal et les expériences numériques.
Gradient Descent: Techniques d'optimisation
Explore la descente en gradient, les fonctions de perte et les techniques d'optimisation dans la formation en réseau neuronal.
Deep Learning: Représentations de données et réseaux neuraux
Couvre les représentations de données, le sac de mots, les histogrammes, le prétraitement des données et les réseaux neuronaux.
Réseaux neuronaux
Explore les réseaux neuronaux, les couches cachées, les ajustements de poids, les fonctions d'activation et le théorème d'approximation universel.
Apprentissage supervisé non linéaire
Explore le biais inductif de différentes méthodes d'apprentissage supervisé non linéaires et les défis de l'accordage hyperparamétrique.
Deep Learning
Couvre les bases de l'apprentissage profond, y compris les représentations de données, le sac de mots, le prétraitement des données, les réseaux de neurones artificiels et les réseaux de neurones convolutifs.
Dynamique des réseaux neuronaux linéaires
Explore la dynamique d'apprentissage des réseaux neuronaux profonds en utilisant des réseaux linéaires pour l'analyse, couvrant les réseaux à deux couches et à plusieurs couches, l'apprentissage autosupervisé et les avantages de l'initialisation découplée.