課程簡介

本課程專注于統(tǒng)計學習、神經(jīng)網(wǎng)絡基礎、卷積網(wǎng)絡應用及循環(huán)神經(jīng)網(wǎng)絡與自然語言處理。通過貝葉斯統(tǒng)計、混合模型、主題模型等，深入探索統(tǒng)計學習精髓。進一步掌握神經(jīng)網(wǎng)絡的基本原理，包括激活函數(shù)、反向傳播等。課程還涉及卷積網(wǎng)絡在計算機視覺中的應用，以及循環(huán)神經(jīng)網(wǎng)絡在自然語言處理領域的實踐，如LSTM時序建模、神經(jīng)語言模型等，旨在全面提升學生在機器學習與神經(jīng)網(wǎng)絡領域的專業(yè)技能。

目標收益

培訓對象

課程內容

1.統(tǒng)計學習
Statistical Learning
1.1 貝葉斯統(tǒng)計
Bayesian Statistics
1.1.1 隨機變量與參數(shù)
Random Variable and Parameters
1.1.2 貝葉斯網(wǎng)絡
Bayesian Networks
1.1.3 隱含變量
Hidden Variable
1.2 混合模型
Mixture Model
1.2.1 硬幣問題
Problem of Coins
1.2.2 最大期望算法
Expectation Maximization
1.2.3 高斯混合模型
Gaussian Mixture Model
1.3 主題模型
Topic Models
1.3.1 狄利克雷分布
Dirichlet Distribution
1.3.2 從 LSA 到 p-LSA 模型
LSA to p-LSA
1.3.3 LDA 模型
Latent Dirichlet Allocation
1.3.4 變分法
Variational Methods
1.4 MCMC
Markov Chain Monte Carlo
1.4.1 蒙特卡洛方法
Monte Carlo Method
1.4.2 馬可夫鏈
Markov Chain
1.4.3 MCMC 采樣
MCMC Sampling
1.5 隱馬可夫模型
Hidden Markov Model

2.神經(jīng)網(wǎng)絡基礎
Basics of Neural Networks
2.1 大腦與認知
Brain and Cognition
2.2 神經(jīng)科學與人類藝術
Neuroscience and Human Art
2.3 廣義線性模型
Generalized Linear Model
2.4 激活函數(shù)
Activation Function
2.5 反向傳播
Back-propagation
2.6 通用擬合
Universal Approximation
2.7 Hopfield 網(wǎng)絡
Hopfield Network
2.8 編碼器與降維
Encoder and Dimension Reduction

3.卷積網(wǎng)絡與應用
CNN and Computer Vision Applications
3.1 視覺特征的卷積
Convolution of Visual Features
3.2 卷積網(wǎng)絡結構與卷積技巧
CNN Structure and Conv Tricks
3.3 卷積網(wǎng)絡: 從 LeNet 到
ResNet CNN Variants: from LeNet to ResNet
3.4 隨機梯度優(yōu)化
SGD Optimization
3.5 視覺特征建構
Construction of Visual Features
3.6 分割、識別與檢測
Segmentation, Recognition and Detection
3.7 R-CNN、動作識別
R-CNN、Post Estimation
3.8 U-網(wǎng)絡與 Pix2Pix 模型
U-Net and Pix2Pix Model

4.循環(huán)神經(jīng)網(wǎng)絡與自然語言處理
Recurrent Neural Network and Natural Language Processing
4.1 循環(huán)網(wǎng)絡
Recurrent Network
4.2 長短記憶網(wǎng)絡
Long Short-term Memory (LSTM)
4.3 LSTM 的時序建模應用
LSTM for Time-series Data
4.4 神經(jīng)語言模型與詞嵌入
Neural Language Model and Word Embeddings
4.5 Seq2Seq 的端對端模型
Seq2Seq Model
4.6 注意力機制
Attention Mechanism
4.7 記憶網(wǎng)絡與神經(jīng)圖靈機
Memory Network and Neural Turing Machine
4.8 文本語義變遷
Evolution of Semantics
4.9 文本生成
Text Generation
4.10 基于 LSTM 金融數(shù)據(jù)分析
LSTM for Financial Data Analysis