1. 知識庫
  2. ...
  3. 人工智慧與深度學習
  4. 文件總覽
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
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)
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)
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)
© by NCHU-CDTL.
All rights reserved.