Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.
Explore le développement historique de l'apprentissage profond, de l'apprentissage par renforcement, des mécanismes d'attention et des systèmes de mémoire en IA inspirés des neurosciences.
Explore les agents d'apprentissage profond dans l'apprentissage du renforcement, en mettant l'accent sur les approximations du réseau neuronal et les défis dans la formation des systèmes multiactifs.
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
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.
S'insère dans l'apprentissage continu des modèles de représentation dans l'intelligence cérébrale, mettant l'accent sur l'adaptation rapide aux environnements non structurés.
Couvre les bases du traitement du langage naturel, des approches traditionnelles aux approches modernes, soulignant les défis et l'importance d'étudier les deux méthodes.
Explore les réseaux neuronaux convolutifs pour la classification des images, en se concentrant sur les défis de poids, les stratégies de prévention de surajustement et les modèles pré-entraînés.
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.