Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
- Machine Learning Limitations
- Machine Learning, Les mappings non-linéaires
- Neural Networks
- Optimisation non linéaire, Stochastique/MiniBatch Gradient Decent
- Propagation arrière
- Codage Sparse Profond
- Autoencodeurs épars (SAE)
- Convolutionnel Neural Networks (CNN)
- Succès : Correspondance des descripteurs
- évitement d'obstacles basé sur la stéréo
- d'obstacles basée sur la stéréoscopie pour Robotics
- Mise en commun et invariance
- Visualisation/réseaux déconvolutionnels
- Réseaux récurrents Neural Networks (RNN) et leur optimisation
- Applications au NLP
- Suite des RNN,
- Optimisation sans hessien
- Analyse du langage : vecteurs de mots/de phrases, analyse syntaxique, analyse des sentiments, etc.
- Modèles graphiques probabilistes
- Réseaux Hopfield, machines de Boltzmann
- Réseaux de croyance profonds, RBMs empilés
- Applications au NLP, à la reconnaissance de la pose et de l'activité dans les vidéos
- Progrès récents
- Apprentissage à grande échelle
- Machines de Turing neuronales
Pré requis
Bonne compréhension de Machine Learning. Connaissance au moins théorique de l'apprentissage profond (Deep Learning).
28 heures
Nos Clients témoignent (4)
Doing exercises on real examples using Keras. Mihaly totally understood our expectations about this training.
Paul Kassis
Formation - Advanced Deep Learning
The exercises are sufficiently practical and do not need a high knowledge in Python to be done.
Alexandre GIRARD
Formation - Advanced Deep Learning
The global overview of deep learning
Bruno Charbonnier
Formation - Advanced Deep Learning
I was benefit from the passion to teach and focusing on making thing sensible.