Neural computing – Data science

機器學習、系統架構和程式設計語言的知識/欣賞是可取的

这个基于课堂的培训课程将包含演示和基于计算机的示例和案例研究练习，以与相关的神经和深层网络库进行

神經網路和深度學習概述 機器學習 （ML） 的概念 為什麼我們需要神經網路和深度學習？ 根據不同的問題和數據類型選擇網路 學習和驗證神經網路 比較邏輯回歸與神經網路 神經網路 神經網路的生物學啟示 神經網路– 神經元、感知器和 MLP（多層感知器模型） 學習 MLP – 反向傳播演算法 啟動函數 – linear、sigmoid、Tanh、Softmax 適用於預測和分類的損失函數 參數 – 學習率、正則化、動量 在 Python 中構建神經網路 評估神經網路的性能 Python 深度網路基礎知識 什麼是深度學習？ 深度網路架構 – 參數、層、啟動函數、損失函數、求解器 受限玻爾茲曼機 （RBM） 自動編碼器 深度網路架構 Deep Belief Networks（DBN） – 架構、應用 自動編碼器 受限玻爾茲曼機 卷積神經網路 遞迴神經網路 迴圈神經網路 Python 中可用的庫和介面概述 咖啡菲 西阿諾 張量流 克拉斯 MXNET公司 選擇適當的庫來解決問題 在 Python 中構建深度網路 為給定的問題選擇合適的架構 混合深度網路 學習網路 – 適當的庫、架構定義 整定網路 – 初始化、啟動函數、損失函數、優化方法 避免過擬合 – 檢測深度網路中的過擬合問題，正則化 評估深度網路 案例研究 Python 圖像識別 – CNN 使用自動編碼器檢測異常 使用 RNN 預測時間序列 使用自動編碼器降維 使用 RBM 進行分類