- 1、课程目标
- 2、基础知识
- 学习深度学习基础知识,包括经典模型、优化方法、训练技巧。
- 很多知识已经被研究过了,多动手训练。
- Keywords:
基础:pytorch基础、机器学习基础、感知器、前馈神经网络、误差反向传播…
近代网络:卷积神经网络、常用CNN模型、视觉目标分类、监测、分割.
其他:生成式神经网络、循环神经网络、LSTM、GRU、注意力机制.
应用实践:“动态人脸识别系统比拼”、“基于注意力网络的人脸表情识别”. - 成绩评估:实践作业(35%,共7次) > 期末课程论文(30%) > PPT展示presentation(20%) > 随堂测试(10%) > 考勤(5%).
- 推荐书籍:《动手学深度学习》pytorch版本(原作为MXNet框架),与课程PPT契合度高,有 网页版
《深入浅出pytorch——从模型到源码》——pytorch基础 - 前提知识:python编程、高等数学(矩阵运算、求导)、机器学习基础.
- 概述:AI有可塑性、可调性(仅阈值)
- AI历程:达特茅斯会议(起源,1956.8),三起两落,阿尔法狗(2016.3)
- 深度学习:逐层抽象(处理方式)
- 现代深度学习发展历程:Hinton发明深度学习网络训练方法(网络特点:非监督学习 和逐层训练)
- 深度学习成功秘诀:大数据支持+高性能计算 支持+深度学习技术支持。
- AI实现
框架 | 开发商 |
---|---|
Pytorch | |
TensorFlow | |
MXNet | Amazon |
Paddlepaddle | 百度 |
网络+训练规则+迭代(AI核心代码内容)
-
常见应用:视觉(生物视觉、艺术图像生成、增强/虚拟现实)、听觉(nlp、语音助手)、语言(文章自动续写)、搜索(以图搜图、搜同款)、控制(AI控制小太阳、下棋)。
-
课程开发环境配置:基于pytorch深度学习框架.
进入创建的pytorch环境:conda activate pytorch
进入python界面:python -
机器学习能做什么?
-
机器学习要素:
数据:训练、测试
模型:线性,非线性,浅度、深度模型
学习准则:最小化损失函数等
优化方法:梯度下降等 -
机器学习类型:
(1)有监督学习(典型任务:分类、回归、预测),有标签;最小化经验误差(目标)
(2)无监督学习(聚类 k-means、概率密度估计、数据降维),无标签靠聚类;最小化类内距离,最大化似然概率(目标)
(3)半监督学习,部分有标签
(4)强化学习(Reinforcement Learning,典型任务:决策制定,奖励类、棋盘类游戏) -
机器学习经典算法:无监督学习之K均值,线性回归、逻辑回归方法,K近邻分类,线性判别函数,支持向量机,线性vs非线性,朴素贝叶斯分类方法。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)