Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
- Pendahuluan mengenai neural networks dan deep learning
- Konsep Machine Learning (ML)
- Mengapa kita membutuhkan neural networks dan deep learning?
- Memilih jaringan untuk masalah dan tipe data yang berbeda
- Belajar dan memvalidasi neural networks
- Membandingkan regresi logistik dengan neural network
- Neural network
- Inspirasi biologis terhadap Neural network
- Neural Networks– Neuron, Perceptron dan MLP (Multilayer Perceptron model)
- Belajar MLP – algoritma backpropagation
- Fungsi aktivasi – linear, sigmoid, Tanh, Softmax
- Fungsi loss yang sesuai untuk forecasting dan classification
- Parameter – learning rate, regularization, momentum
- Membangun Neural Networks di Python
- Menilai kinerja neural networks di Python
- Dasar-dasar Deep Networks
- Apa itu deep learning?
- Arsitektur Deep Networks– Parameter, Layers, Fungsi Aktivasi, Fungsi Loss, Solvers
- Restricted Boltzman Machines (RBMs)
- Autoencoders
- Arsitektur Deep Networks
- Deep Belief Networks (DBN) – arsitektur, aplikasi
- Autoencoders
- Restricted Boltzmann Machines
- Convolutional Neural Network
- Recursive Neural Network
- Recurrent Neural Network
- Pendahuluan mengenai perpustakaan dan antarmuka yang tersedia di Python
- Caffee
- Theano
- Tensorflow
- Keras
- Mxnet
- Memilih perpustakaan yang sesuai dengan masalah
- Membangun deep networks di Python
- Memilih arsitektur yang sesuai dengan masalah yang diberikan
- Deep networks hibrid
- Belajar network – perpustakaan yang sesuai, definisi arsitektur
- Menyesuaikan network – inisialisasi, fungsi aktivasi, fungsi loss, metode optimisasi
- Menghindari overfitting – mendeteksi masalah overfitting di deep networks, regularization
- Menilai deep networks
- Studi kasus di Python
- Pengenalan gambar – CNN
- Mendeteksi anomal dengan Autoencoders
- Memproyeksikan time series dengan RNN
- Reduksi dimensi dengan Autoencoder
- Klasifikasi dengan RBM
Persyaratan
Pengetahuan/pengapresiasian mengenai machine learning, systems architecture dan bahasa pemrograman adalah diinginkan
14 Jam
Testimoni (2)
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Kursus - Natural Language Processing with TensorFlow
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
