Explore le modèle de perceptron multicouche, la formation, l'optimisation, le prétraitement des données, les fonctions d'activation, la rétropropagation et la régularisation.
Plonge dans la propagation en arrière dans l'apprentissage profond, répondant au défi de la disparition du gradient et à la nécessité d'unités cachées efficaces.
Explore le but et le processus de normalisation par lots dans les réseaux neuronaux profonds, en soulignant son importance dans la stabilisation de l'entrée moyenne et la résolution du problème du gradient de fuite.
Couvre les modèles de séquence à séquence, leur architecture, leurs applications et le rôle des mécanismes d'attention dans l'amélioration des performances.
Discute du décalage d'entrée moyen et du problème de biais dans les mises à jour de poids pour les réseaux neuronaux, soulignant l'importance d'une initialisation correcte pour prévenir les problèmes de gradient.
Explore l'apprentissage en apprentissage profond pour les véhicules autonomes, couvrant les modèles prédictifs, RNN, ImageNet, et l'apprentissage de transfert.
Explique le processus d'apprentissage dans les réseaux neuronaux multicouches, y compris la rétropropagation, les fonctions d'activation, la mise à jour des poids et la rétropropagation des erreurs.
Explore les réseaux neuronaux convolutifs, l'augmentation des données, la dégradation du poids et le décrochage pour améliorer les performances du modèle.
Introduit des réseaux de flux, couvrant la structure du réseau neuronal, la formation, les fonctions d'activation et l'optimisation, avec des applications en prévision et finance.
Introduit les réseaux de mémoire à long terme (LSTM) comme une solution pour la disparition et l'explosion des gradients dans les réseaux neuronaux récurrents.
