Plan du cours

Deep Learning vs Machine Learning vs autres méthodes

  • Quand Deep Learning convient-il ?
  • Limites de Deep Learning
  • Comparaison de la précision et du coût des différentes méthodes

Aperçu des méthodes

  • Réseaux et couches
  • Avancer / Reculer : les calculs essentiels des modèles de composition en couches.
  • Perte : la tâche à apprendre est définie par la perte.
  • Solveur : le solveur coordonne l'optimisation du modèle.
  • Catalogue de couches : la couche est l'unité fondamentale de modélisation et de calcul.
  • Convolution

Méthodes et modèles

  • Backprop, modèles modulaires
  • Module Logsum
  • RBF Net
  • Perte MAP/MLE
  • Transformations de l'espace des paramètres
  • Module convolutionnel
  • Apprentissage basé sur le gradient
  • Énergie pour l'inférence,
  • Objectif d'apprentissage
  • ACP ; NLL :
  • Modèles à variables latentes
  • LVM probabiliste
  • Fonction de perte
  • Détection avec R-CNN rapide
  • Séquences avec LSTMs et Vision + Langage avec LRCN
  • Prédiction par pixel avec FCN
  • Conception du cadre et avenir

Outils

  • Caffe
  • Tensorflow
  • R
  • Matlab
  • Autres...

Pré requis

Toute connaissance d'un langage de programmation est requise. La connaissance de Machine Learning n'est pas obligatoire, mais elle est utile.

  21 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Cours Similaires

Catégories Similaires