Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Deep Learning vs. Machine Learning vs. andere Methoden
- Wann Deep Learning geeignet ist
- Grenzen von Deep Learning
- Vergleich von Genauigkeit und Kosten der verschiedenen Methoden
Überblick über die Methoden
- Netze und Schichten
- Vorwärts / Rückwärts: die wesentlichen Berechnungen von schichtweisen Kompositionsmodellen.
- Verlust: die zu lernende Aufgabe wird durch den Verlust definiert.
- Solver: Der Solver koordiniert die Modelloptimierung.
- Schichtenkatalog: Die Schicht ist die grundlegende Einheit der Modellierung und Berechnung
- Faltung
Methoden und Modelle
- Backprop, modulare Modelle
- Logsum-Modul
- RBF-Netz
- MAP/MLE-Verlust
- Parameterraumtransformationen
- Faltungsmodul
- Gradientenbasiertes Lernen
- Energie für Inferenz,
- Zielsetzung für das Lernen
- PCA; NLL:
- Latente Variablenmodelle
- Probabilistisches LVM
- Verlustfunktion
- Erkennung mit Fast R-CNN
- Sequenzen mit LSTMs und Vision + Sprache mit LRCN
- Pixelweise Vorhersage mit FCNs
- Framework-Design und Zukunft
Werkzeuge
- Caffe
- Tensorflow
- R
- Matlab
- Andere...
Voraussetzungen
Die Kenntnis einer beliebigen Programmiersprache ist erforderlich. Die Vertrautheit mit Machine Learning ist nicht erforderlich, aber von Vorteil.
21 Stunden