×
切換帳號
教學資源暨發展中心
知識庫
Log in
English
繁體
简体
Regular
Medium
Large
×
Search
Search
教學資源暨發展中心
Log in
知識庫
English
繁體
简体
興學堂
Media Center
...
人工智慧與深度學習
Browse Files
Browse Files
Show
First 10 Files
First 20 Files
Show All
(人工智慧與深度學習)
Browse Files
(人工智慧與深度學習)
Show
First 10 Files
First 20 Files
Show All
1.數學基礎理論與簡易實作
(18)
課堂1-1-1-數學的本質
課堂1-1-2-微分學
課堂1-1-3-偏微分極值應用
課堂1-1-4-最小均方差
課堂1-1-5-梯度
課堂1-1-6-梯度下降法
課堂1-2-1-機率密度函數
課堂1-2-2-線性迴歸~最小二平方法
課堂1-2-3-線性回歸~最大概似估計法
課堂1-2-4-相關分析
[More]
課堂1-2-5-條件機率
課堂1-2-6-貝氏定理
課堂1-3-1-Python安裝與入門指令
課堂1-3-2-Python之微積分指令
課堂1-3-3-Python之最小均方差與梯度下降演算法實作
課堂1-3-4-Python 之機率密度函數計算
課堂1-3-5-Python 之線性迴歸
課堂1-3-6-Python 之條件機率計算與Bayes 定理
2.類神經網路基礎理論與簡易實作
(14)
課堂2-1-1-生物神經元與MCP模型(P11)
課堂2-1-2-線性單層神經元模型(P12)
課堂2-1-3 Rosenblatt 感知器(Perceptrons)模型(P9)
課堂2-1-4 自適應線性神經元(Adaptive Linear Neurons)(P14)
課堂2-1-5 (MLP) 多層(雙層)神經網路之實作(P11)
課堂2-1-6 (MLP) 多層(雙層)神經網路的非線性激勵函數(P11)
課堂2-2-1 (BP)倒傳遞傳播網路BP(P11)(OK)
課堂2-2-2 (BP)反向傳播網路BP手算例(P10)
課堂2-2-3 Boltzmann Machine, BM(P12)
課堂2-2-4 Boltzmann 機之退火演算法(P12)
[More]
課堂2-2-5 (RBM)~Boltzmann 機器實作(P12)
課堂2-2-6 深度信賴網路之模型(P12)
課堂2-3-01 IRIS 分類之感知器與自組織感知器 Python 實作(P16)
課堂2-3-02 IRIS 分類之邏輯回歸與KNN Python 實作(P12)
3.深度學習基礎理論與簡易實作
(14)
課堂3-1-1 腦神經之影像辨識視覺皮層機制(P10)
課堂3-1-2 影像辨識與深度學習基本原理(P11)
課堂3-1-3 卷積神經網路CNN 之網路架構(P12)
課堂3-1-4 常用經典CNN 網路~LeNet(P10)
課堂3-1-5 常用經典CNN 網路~AlexNet(P9)
課堂3-1-6 常用經典CNN 網路~ResNet(P9)
課堂3-2-1 何謂生成網路(P12)
課堂3-2-2 自動編碼器(Auto-Encoder)(P12)
課堂3-2-3 何謂生成對抗網路GAN(P11)
課堂3-2-4 GAN 數學原理(P11)
[More]
課堂3-2-5 GAN 之經典模型(P11)
課堂3-2-6 GAN 的五個神奇應用場景(P12)
課堂3-3-01 MNIST 辨識之CNN Python 實作P(12)
課堂3-3-02 ADAS 自動駕駛輔助系統之實作(P16)