Francois Fleuret于2000年获得巴黎第六大学数学博士学位,并于2006年获得巴黎大学数学博士学位。

他负责瑞士Idiap研究所的计算机视觉和学习小组。

在此之前,他曾在瑞士洛桑的芝加哥大学,法国信息自动化研究所(INRIA)和联邦理工学院(EPFL)工作。

IEEE模式分析和机器智能交易副主编以及几家欧洲资助机构的专家。

深度学习课程概述

本课程的目的是提供详细的机器学习的完整说明。

神经网络设计方法,培训方法和专门处理非常大的网络结构的现有技术。

本课程旨在教授将深度学习技巧应用于问题所需的技能。

课程计划内容:

1)

深度学习是引入张量。

2)

基本的机器学习,最小的经验风险,易于集成。

3)

线性分离,多层感知器,反向传播。

4)

一般网络,autograd,很多,卷积网络。

5)

初始化,优化和正则化。

保持原样以启用规范化并跳过连接。

6)

深刻的计算机视觉模型。

7)

详细分析模型。

8)

自动编码器,嵌入式模型,生成模型。

9)

循环模型和自然语言处理。

10)

Pytorch张量,深度学习模块,内部组件。

深度学习课程指南?

介绍

1)