Programa del Curso

Aprendizaje profundo frente a Machine Learning frente a otros métodos

  • Cuando Deep Learning es adecuado
  • Límites de Deep Learning
  • Comparación de la precisión y el costo de diferentes métodos

Descripción general de los métodos

  • Redes yponedoras
  • Adelante/Atrás: los cálculos esenciales de los modelos composicionales en capas.
  • Pérdida: la tarea a aprender está definida por la pérdida.
  • Solver: el solucionador coordina la optimización del modelo.
  • Catálogo de capas: la capa es la unidad fundamental de modelado y cálculo
  • Circunvolución

Métodos y modelos

  • Backprop, modelos modulares
  • Módulo Logsum
  • RBF Neto
  • Pérdida de MAP/MLE
  • Transformaciones de espacio de parámetros
  • Módulo convolucional
  • Aprendizajebasado en gradientes
  • Energía para la inferencia,
  • Objetivo para el aprendizaje
  • PCA; NLL:
  • Modelos de variables latentes
  • LVM probabilístico
  • Función de pérdida
  • Detección con Fast R-CNN
  • Secuencias con LSTMs y Visión + Lenguaje con LRCN
  • Predicción de píxeles con FCN
  • Diseño del marco y futuro

Herramientas

  • Caffe
  • Tensorflow
  • R
  • Matlab
  • Otros...

Requerimientos

Se requiere cualquier conocimiento de lenguaje de programación. La familiaridad con Machine Learning no es obligatoria, pero es beneficiosa.

  21 horas
 

Número de participantes


Comienza

Termina


Las fechas están sujetas a disponibilidad y tienen lugar entre 09:30 y 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Torch: Introducción a Máquina y Aprendizaje Profundo

  21 horas

Categorías Relacionadas