以Line帳號登入深度學習
-
課程好評 (0則)
-
Youtube
-
課程簡介
- 細說深度學習的因由、細節、應用、未來，其中細推學習演算法的公式，有助於高中生都可以理解本課程(目前線上課程大都直接display出公式，不易被剛入門的學生所接受)，並配合Python的程式演繹，引發學生對程式設計的興趣。主要以PPT細說公式，再配合Python程式印證一遍，以加強學生的學習動力及內涵，同時老師將利用去背的功能，隨時與教材互動，以產生teacher-led的教學效果。
- 化繁為簡的課程內容，以圖文並茂的方式重新設計多種的學習模式，讓有興趣的學生可以快速瞭解學習模式的概念及細節。
- 提供Python的實驗程式碼，讓學生可以輕易操弄多種的學習模式，以輔助學生快速進入深度學習的課程內容中。
- 引導學生操作深度學習目前熱門的套裝軟體，例如CAFFE及CNTK。
- 介紹全世界深度學習的熱門議題，例如Alpha Go、Master、機器人服務等，讓學生瞭解Deep Learning是一個Hot Topic。
課程目標
- 建立深度學習的基本知識，例如Supervised Learning, Unsupervised Learning, Perceptron Learning Algorithm, Performance Function, Steepest Descent, LMS Algorithm等。
- 學習Deep Learning的兩大模式：Convolution Neural Network及Recurrent Neural Network。
- 學習操作CAFFE及CNTK兩大開放套件。
- 學習如何利用CAFFE及CNTK設計深度學習的應用問題。 5.加強Python的程式設計能力。
適用對象
高中以上，對程式設計、軟體開發、深度學習等相關議題有興趣者。
課程特色
本課程特色包括- 以熱門新聞議題，如Alpha Go及Master，引發學習者的學習動機；
- 講述教學搭配手寫推導演算，加強學習印象；
- 運用指示及手寫的互動教學形式，引發學生的學習注意力及專注力；
- 提供詳細的程式推導與演示細節；
- 課程內容區分有「必備基礎」及「學科知識」，讓學習者由淺入深的學習等。
先備知識
- 高中數學、簡易微積分、機率
- Python
-
- 第1週：Introduction-課程介紹
- 第2週：The Concept of Perceptron-認知概念
- 第3週：Optimal Learning-優化學習
- 第4週：LMS Learning Algorithm-最小均差學習演算法
- 第5週：The Backpropagation Algorithm-背傳導演算法
- 第6週：Convolution Neural Network-卷積神經網路
- 第7週：CNN Develop Tools-卷積神經網路開發工具
- 第8週：Recurrent Neural Network-循環神經網路
- 第9週：RNN Develop Tools RNN-開發工具
-
-
1.1 Why Do We Need More Advanced Neural Network for Deep Learning?為何需要進階的深度學習模式
-
1.2 Control Driven vs Data Driven 控制vs資料驅動
-
1.3 Addressing Memory vs Associative Memory 定址 vs 結合記憶體
-
1.4 Supervised Learning vs Unsupervised Learning 督導vs非監督學習模式
-
1.5 Basic Neural Architecture 基本類神經元結構
-
1.6 Multi-layer Neural Network 多層類神經網路
-
2.1 The Perceptron Mode 感知模式
-
2.2 How to Design a Learning Algorithm 初探學習演算法
-
2.3 The OR-Example OR案例分析
-
2.4 The Perceptron Learning Algorithm 感知學習演算法
-
3.1Performance Function 效能函數
-
3.2 Steepest Decent Approach 最陡下降策略
-
3.3 Convergent Learning 收斂學習
-
3.4 Newton Method 牛頓法
-
4.1 ADALINE Network 可調線性網路
-
4.2 MSE Performance Function最小均差效能函數
-
4.3 Approximate Steepest Descent 近似最陡下降法
-
4.4 LMS Algorithm最小均差演算法
-
4.5 Example案例分析
-
5.1 The Backpropagation Algorithm for 3 Layer Network
-
5.1.1 The Backpropagation Algorithm for 3 Layer Network
-
5.2 The Derivation of Learning Algorithm
-
5.2.1 The Derivation of Learning Algorithm
-
5.3 Example
-
5.4 Function Approximation with Backpropagation Algorithm
-
6.1 CNN Architecture
-
6.2 Convolution Layer
-
6.3 Re LU Layer
-
6.4 Pooling Layer
-
6.5 Full Connection Layer
-
7.1 The Introduction of CAFFE CAFFE簡介
-
7.2 CIFAR 10 Dataset CIFAR-10資料集
-
7.3 Start to Run Caffe on Windows 開始在Windows上Run Caffe
-
7.4 Start to Test Caffe 開始測試 Caffe
-
7.5 How to Create and Train Weighted Model 如何產生及訓練權重模型
-
7.6 How to Build the Model of CNN 如何建構CNN模型
-
8.1 RNN Architecture
-
8.2 Basic Learning Algorithm of RNN Model
-
8.3 Expansion of RNN Model
-
8.4 LSTM Architecture
-
9.1 The Introduction of CNTK
-
9.2 The Prediction of Temporal Sequence
-
9.3 The Classification of Pictures Based on CNTK – the Preparation of Database
-
9.4 The Classification of Pictures Based on CNTK – Sample Code
-
9.5 The Classification of Pictures Based on CNTK – Test and Display
-
1.1 Why Do We Need More Advanced Neural Network for Deep Learning?為何需要進階的深度學習模式
教育部
國立中正大學
推廣教育
清江學習中心Line
清江學習中心粉專
開放式大學粉專