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
 

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.

Nos Clients témoignent (4)

Cours Similaires

Catégories Similaires