课程简介

本课程专注于统计学习、神经网络基础、卷积网络应用及循环神经网络与自然语言处理。通过贝叶斯统计、混合模型、主题模型等，深入探索统计学习精髓。进一步掌握神经网络的基本原理，包括激活函数、反向传播等。课程还涉及卷积网络在计算机视觉中的应用，以及循环神经网络在自然语言处理领域的实践，如LSTM时序建模、神经语言模型等，旨在全面提升学生在机器学习与神经网络领域的专业技能。

目标收益

培训对象

课程内容

1.统计学习
Statistical Learning
1.1 贝叶斯统计
Bayesian Statistics
1.1.1 随机变量与参数
Random Variable and Parameters
1.1.2 贝叶斯网络
Bayesian Networks
1.1.3 隐含变量
Hidden Variable
1.2 混合模型
Mixture Model
1.2.1 硬币问题
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 主题模型
Topic Models
1.3.1 狄利克雷分布
Dirichlet Distribution
1.3.2 从 LSA 到 p-LSA 模型
LSA to p-LSA
1.3.3 LDA 模型
Latent Dirichlet Allocation
1.3.4 变分法
Variational Methods
1.4 MCMC
Markov Chain Monte Carlo
1.4.1 蒙特卡洛方法
Monte Carlo Method
1.4.2 马可夫链
Markov Chain
1.4.3 MCMC 采样
MCMC Sampling
1.5 隐马可夫模型
Hidden Markov Model

2.神经网络基础
Basics of Neural Networks
2.1 大脑与认知
Brain and Cognition
2.2 神经科学与人类艺术
Neuroscience and Human Art
2.3 广义线性模型
Generalized Linear Model
2.4 激活函数
Activation Function
2.5 反向传播
Back-propagation
2.6 通用拟合
Universal Approximation
2.7 Hopfield 网络
Hopfield Network
2.8 编码器与降维
Encoder and Dimension Reduction

3.卷积网络与应用
CNN and Computer Vision Applications
3.1 视觉特征的卷积
Convolution of Visual Features
3.2 卷积网络结构与卷积技巧
CNN Structure and Conv Tricks
3.3 卷积网络: 从 LeNet 到
ResNet CNN Variants: from LeNet to ResNet
3.4 随机梯度优化
SGD Optimization
3.5 视觉特征建构
Construction of Visual Features
3.6 分割、识别与检测
Segmentation, Recognition and Detection
3.7 R-CNN、动作识别
R-CNN、Post Estimation
3.8 U-网络与 Pix2Pix 模型
U-Net and Pix2Pix Model

4.循环神经网络与自然语言处理
Recurrent Neural Network and Natural Language Processing
4.1 循环网络
Recurrent Network
4.2 长短记忆网络
Long Short-term Memory (LSTM)
4.3 LSTM 的时序建模应用
LSTM for Time-series Data
4.4 神经语言模型与词嵌入
Neural Language Model and Word Embeddings
4.5 Seq2Seq 的端对端模型
Seq2Seq Model
4.6 注意力机制
Attention Mechanism
4.7 记忆网络与神经图灵机
Memory Network and Neural Turing Machine
4.8 文本语义变迁
Evolution of Semantics
4.9 文本生成
Text Generation
4.10 基于 LSTM 金融数据分析
LSTM for Financial Data Analysis