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.
Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.
Couvre les bases des réseaux neuronaux convolutionnels, y compris l'optimisation de la formation, la structure des couches et les pièges potentiels des statistiques sommaires.
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
S'oriente vers l'approximation du réseau neuronal, l'apprentissage supervisé, les défis de l'apprentissage à haute dimension et la révolution expérimentale de l'apprentissage profond.
Se penche sur les perspectives géométriques des modèles d'apprentissage profond, explorant leur vulnérabilité aux perturbations et l'importance de la robustesse et de l'interprétabilité.
Explore les réseaux neuronaux convolutifs pour la segmentation sémantique, discutant des modèles de classification des pixels, du décodage appris et de l'importance des connexions par saut.
Couvre les bases de l'apprentissage profond, y compris les représentations de données, le sac de mots, le prétraitement des données, les réseaux de neurones artificiels et les réseaux de neurones convolutifs.