Introducción al aprendizaje profundo

Descripción

El objetivo de este curso es proporcionar a los alumnos una comprensión básica de las redes neuronales modernas y sus aplicaciones en la visión por computadora y la comprensión del lenguaje natural. El curso comienza con un resumen de modelos lineales y una discusión de los métodos de optimización estocástica que son cruciales para entrenar redes neuronales profundas. Los estudiantes estudiarán todos los bloques de construcción populares de redes neuronales, incluidas las capas completamente conectadas, las capas convolucionales y recurrentes.
Los estudiantes usarán estos bloques de construcción para definir arquitecturas modernas complejas en los marcos TensorFlow y Keras. En el curso, el alumno del proyecto implementará una red neuronal profunda para la tarea de subtítulos de imágenes que resuelve el problema de dar una descripción de texto para una imagen de entrada.

Los requisitos previos para este curso son:
1) Conocimientos básicos de Python.
2) Álgebra lineal básica y probabilidad.

Tenga en cuenta que este es un curso avanzado y asumimos conocimientos básicos de aprendizaje automático. Usted debe comprender:
1) Regresión lineal: error cuadrático medio, solución analítica.
2) Regresión logística: modelo, pérdida de entropía cruzada, estimación de probabilidad de clase.
3) Descenso de gradiente para modelos lineales. Derivados de MSE y funciones de pérdida de entropía cruzada.
4) El problema del sobreajuste.
5) Regularización para modelos lineales.

¿Tienes problemas técnicos? Escríbanos: coursera@hse.ru