返回所有课程
本互动课程深入人工神经网络的基础,从基本框架到更现代的技术,如对抗模型。
你将回答诸如计算机如何区分猫狗图片,以及它如何学会下伟大的国际象棋等问题。
要建立一个人工学习算法,首先要从人类大脑开始。
对学习问题有一个全面的认识。
了解人类大脑如何激发人工神经网络的机制。
建立一个神经元的计算模型,并探索为什么它如此强大。
关于向量、矩阵和优化的复习。
一个向量的快速概述,它被用来表示ANN的输入和权值。
矩阵有助于简化算法表示,并且在实践中可以提高性能。
导数在优化模型参数(如权重和偏差)方面起着关键作用。
许多神经网络的组成部分。
了解为什么感知器是一个线性分类器,并探索它的优点和局限性。
建立感知器的学习算法,并学习如何优化它。
深入了解感知机的局限性,并探讨如何克服其中的一些局限性。
把它们串在一起。
学习如何转换数据,使其成为线性可分的。
看看多层感知器的力量,应用于运动服营销问题。
如何衡量一个模型有多复杂,并避免不必要的肤色?
使用模型的输出来训练它做得更好。
掌握这个优化问题的强大工具,如最小化损失。
了解我们如何更新参数-即使是那些隐藏层!
对于梯度下降,您需要这个工具来有效地计算误差函数的梯度。
如果你不小心,一个激活函数可以压缩或放大梯度。
模型来捕获数据中的结构信息。
这些网络擅长于图像分类问题,甚至取得了比人类更好的表现!
探索卷积、填充和跨步——功能图背后的数学细节。
学习如何向下采样图像,同时保留足够的信息来识别丰富的对象。
真实世界的应用程序之旅,从文本到语音到艺术风格的转换!
模型通过记忆我们已知的信息来处理顺序数据。
探索这个强大的模型来处理不独立的数据,比如句子中的单词。
学习如何通过时间反向传播训练RNN。
长期短期记忆比简单的rnn更能“记住”过去。
随机神经网络,对抗技术,矢量化和其他高级主题的研究。
探索更好的随机过程模型,如股票价格或天气。
神经网络是如何生成逼真的假人的?
GANs的这种变体有时甚至更强大。
学习单词如何向量化来表示它们的相对关系。
把你的思维集中在计算思维上,从日常任务到算法。
从RNA折叠到达尔文的进化树,这是一种简单的方法。