Artificial Neural Networks, Machine Learning, Deep Thinking培訓
人工神經網路是一種計算數據模型，用於開發能夠執行“智慧”任務的 Artificial Intelligence (AI) 系統。Neural Networks 通常用於 Machine Learning （ML） 應用程式，這些應用程式本身就是 AI 的一種實現。Deep Learning 是 ML 的一個子集。
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.
課程簡介
第 1 天 - 人工神經網路
簡介和人工神經網路結構。
- Bio邏輯神經元和人工神經元。
- 人工神經網路的模型。
- 人工神經網路中使用的啟動函數。
- 典型的網路架構類別。
Mathematical 基礎和學習機制。
- 重新審視向量和矩陣代數。
- 狀態空間概念。
- 優化的概念。
- 糾錯學習。
- 基於記憶的學習。
- 赫比安學習。
- 競爭性學習。
單層感知器。
- 感知器的結構和學習。
- 模式分類器 - 簡介和貝葉斯分類器。
- 感知器作為模式分類器。
- 感知器收斂。
- 感知器的局限性。
前饋 ANN。
- 多層前饋網路的結構.
- 反向傳播演算法。
- 反向傳播 - 訓練和收斂。
- 具有反向傳播的函數近似。
- 反向傳播學習的實際和設計問題。
徑向基函數網路。
- 模式可分離性和插值。
- 正則化理論。
- 正則化和 RBF 網路。
- RBF 網路設計和培訓。
- RBF 的近似屬性。
競爭性學習和自組織 ANN。
- 常規聚類分析過程。
- 學習向量量化 （LVQ）。
- 競爭性學習演算法和架構。
- 自組織特徵圖。
- 特徵圖的屬性。
模糊 Neural Networks。
- 神經模糊系統。
- 模糊集和邏輯的背景。
- 模糊莖的設計。
- 模糊人工神經網路的設計。
應用
- 本文將討論神經網路應用的幾個例子，以及它們的優點和問題。
第 -2 天：機器學習
- PAC 學習框架
- 有限假設集的保證 - 一致情況
- 有限假設集的保證 – 不一致情況
- 泛泛而談
- 確定性簡歷。隨機情景
- 貝葉斯誤差雜訊
- 估計和近似誤差
- 選型
- Radmeacher 複雜性和 VC – 維度
- 偏差 - 方差權衡
- 正則化
- 過擬合
- 驗證
- 支援向量機
- 克里金法（高斯過程回歸）
- PCA 和內核 PCA
- 自組織映射 （SOM）
- 核誘導向量空間
- Mercer Kernels 和 Kernel - 誘導的相似性指標
- Reinforcement Learning
第 3 天 - 深度學習
這將與第 1 天和第 2 天涵蓋的主題相關進行教學
- Logistic 和 Softmax 回歸
- 稀疏自動編碼器
- 矢量化、PCA 和美白
- 自學成才
- 深度網路
- 線性解碼器
- 卷積和池化
- 稀疏編碼
- 獨立成分分析
- 典型相關性分析
- 演示和應用
最低要求
GoOD 對數學的理解。
GoOD 對基本統計的理解。
基本的程式設計技能不是必需的，但建議使用。
21 時間：
Open Training Courses require 5+ participants.
Artificial Neural Networks, Machine Learning, Deep Thinking培訓 - Booking
Artificial Neural Networks, Machine Learning, Deep Thinking培訓 - Enquiry
Artificial Neural Networks, Machine Learning, Deep Thinking - 咨詢詢問
咨詢詢問
客戶評論 (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
Provisional Upcoming Courses (Require 5+ participants)
相關課程
Artificial Intelligence in Automotive
14 時間：本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。
更多...
Artificial Intelligence Overview
7 時間：本課程是為經理、解決方案架構師、創新官、首席技術官、軟體架構師以及任何對應用人工智慧概述及其發展的最新預測感興趣的人創建的。
更多...
From Zero to AI
35 時間：This instructor-led, live training in 香港 (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.
By the end of this training, participants will be able to:
- Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
- Write and understand procedural, functional, and object-oriented programming code.
- Implement machine learning techniques such as classification, clustering, and neural networks.
- Develop AI solutions using rules engines and expert systems for problem-solving.
更多...
Applied Machine Learning
14 時間：This instructor-led, live training in 香港 (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.
By the end of this training, participants will be able to:
- Understand and implement various Machine Learning algorithms.
- Prepare data and models for machine learning applications.
- Conduct post hoc analyses and visualize results effectively.
- Apply machine learning techniques to real-world, sector-specific scenarios.
更多...
Artificial Neural Networks, Machine Learning and Deep Thinking
21 時間：人工神經網絡是一種計算數據模型，用於開發能夠執行“智能”任務的Artificial Intelligence (AI)系統。 Neural Networks通常用於Machine Learning （ML）應用程序，它們本身就是AI的一種實現。 Deep Learning是ML的一個子集。
更多...
Pattern Recognition
21 時間：This instructor-led, live training in 香港 (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
- Apply core statistical methods to pattern recognition.
- Use key models like neural networks and kernel methods for data analysis.
- Implement advanced techniques for complex problem-solving.
- Improve prediction accuracy by combining different models.
更多...
Deep Reinforcement Learning with Python
21 時間：This instructor-led, live training in 香港 (online or onsite) is aimed at developers and data scientists who wish to learn the fundamentals of Deep Reinforcement Learning as they step through the creation of a Deep Learning Agent.
By the end of this training, participants will be able to:
- Understand the key concepts behind Deep Reinforcement Learning and be able to distinguish it from Machine Learning.
- Apply advanced Reinforcement Learning algorithms to solve real-world problems.
- Build a Deep Learning Agent.
更多...
Introduction Deep Learning & Neural Networks for Engineers
21 時間：類型：理論培訓，應用事先由學生決定，在烤寬麵條或Keras上，取決於教學組
教學方法：演講、交流和案例研究
人工智慧在顛覆了許多科學領域之後，已經開始徹底改變許多經濟部門（工業、醫學、通信等）。然而，它在主流媒體上的呈現往往是一種幻想，與Machine Learning或Deep Learning領域的真實情況相去甚遠。本培訓的目的是為已經掌握計算機工具（包括基本軟體程式設計）的工程師介紹 Deep Learning 及其不同的專業領域，從而介紹當今存在的主要網路架構。如果在課程中回憶起數學的基礎知識，建議學習 BAC+2 類型的數學水準，以獲得更舒適的體驗。跳過數學軸，只保持“系統”的視野是絕對可能的，但這種方法會極大地限制你對主題的理解。
更多...
Matlab for Deep Learning
14 時間：In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition.
By the end of this training, participants will be able to:
- Build a deep learning model
- Automate data labeling
- Work with models from Caffe and TensorFlow-Keras
- Train data using multiple GPUs, the cloud, or clusters
Audience
- Developers
- Engineers
- Domain experts
Format of the course
- Part lecture, part discussion, exercises and heavy hands-on practice
更多...
TPU Programming: Building Neural Network Applications on Tensor Processing Units
7 時間：在這個由講師指導的香港現場培訓中，參與者將學習如何利用TPU處理器的創新來最大限度地提高他們自己的AI應用程式的性能。
在培訓結束時，參與者將能夠：
- 在大量數據上訓練各種類型的神經網路。
- 使用 TPU 可將推理過程速度提高多達兩個數量級。
- 利用 TPU 處理圖像搜索、雲視覺和照片等密集型應用程式。
更多...
Understanding Deep Neural Networks
35 時間：本課程首先介紹神經網絡的概念知識，通常還包括機器學習算法，深度學習（算法和應用程序）。
本次培訓的一部分-1（40％）更注重基本面，但會幫助你選擇合適的技術： TensorFlow ， Caffe ，Theano，DeepDrive， Keras等。
本次培訓的第2部分（20％）介紹了Theano--一個python庫，可以輕鬆編寫深度學習模型。
第3部分（40％）的培訓將廣泛基於Tensorflow - Go ogle的Deep Learning開源軟件庫的第二代API。示例和動手都將在TensorFlow 。
聽眾
本課程面向希望將TensorFlow用於Deep Learning項目的工程師
完成本課程後，代表們將：
對深度神經網絡（DNN），CNN和RNN有很好的理解
了解TensorFlow的結構和部署機制
能夠執行安裝/生產環境/架構任務和配置
能夠評估代碼質量，執行調試，監控
能夠實現高級生產，如培訓模型，構建圖形和記錄
更多...
