2018 暑期高效能運算課程

High Performance Computing and Big Data

深度學習工作坊:從理論到TensorFlow實作


基本資訊

【日期】 2018/7/16(一),7/17(二),7/18(三)

【時間】 ■09:10~12:00 ■13:20~16:10

【地點】 計中 212 教室(電腦教室)

【費用】 臺灣大學及國立臺灣大學系統 1500 元,其他 3000 元

【主辦單位】國立臺灣大學計算機及資訊網路中心(臺大計中)


師資

四零四科技 李厚均 Isaac 工程師

學歷:國立台灣大學 電子所碩士

經歷:

  1. 四零四科技AI部門工程師
  2. T客邦人工智慧講師
  3. TKB人工智慧講師
  4. 美國伊利諾香檳分校(UIUC)交換學生
  5. 交通大學電子系學士

專長:

  1. Computer Vision with Deep Learning
  2. Semantic Analysis
  3. Automatic Speech Recognition
詳細資料

課程簡介

隨著人工智慧(AI)時代的來臨,資料科學已成為一門重要的顯學,尤其是近年來深度學習(Deep Learning)許多重大的突破,更加速了許多智能化的應用及發展,也大大的改變每個人的生活。

現在,Deep Learning不只能讓電腦下棋下贏人類棋王, 在影像識別領域上,其辨識物體的錯誤率也已經達到小於人類的水準,這都顯示出其不可忽視的發展潛力,相信在不久的未來,將會有更多Deep Learning 驚人的結果跑出來。

本課程除了會深入的探討三種常見的類神經網路外,也會使用目前最夯的深度學習套件Google TensorFlow來帶學生實做這些類神經網路。


課程內容

Day 1 Day 2 Day 3

09:10~12:00

【理論】 Deep Learning Introduction

  • 基礎類神經網路介紹
  • 深度學習現在的應用與優勢
  • 為什麼要使用 TensorFlow

【實作】 TensorFlow Basic

  • 張量的操作及觀念
  • 常見的類神經網路函數

【理論】 CNN Introduction

  • 類神經網路在影像辨識的應用
  • 介紹著名的 CNN 類神經網路
  • 進階的影像辨識議題討論

【理論】 RNN Introduction

  • Word2vect的介紹
  • 傳統 RNN 介紹
  • LSTM/GRU 的介紹

【實作】RNN Implementation

  • MNIST手寫辨識
  • 文字語意關係實作
  • 垃圾郵件分類
12:00~13:20 Lunch Time
13:20~16:10

【理論】 DNN Introduction

  • 認識最基礎的類神經網路
  • 如何定義損失函數
  • 如何優化類神經網路

【實作】 DNN Implementation

  • 手寫辨識 MNIST
  • 視覺化類神經網絡

【實作】 CNN Implementation

  • MNIST/notMNIST/Cifar 10影像圖片分類
  • 比較 DNN與 CNN的差異

【練習】

  • CNN 題目練習
  • CNN 題目練習解答講解

【練習】

  • RNN題目練習
  • RNN題目練習解答講解

【理論】 類神經網絡實務問題討論

  • 實務上會遇到之問題
  • 類別不平衡
  • 業界如何導入Deep Learning

*課程講義為英文

*以上各項目將視班級進度略有調整


對象

本課程適合對深度學習有興趣學員修習

建議至少會一種程式語言(python佳)


備註

1.本課程不供餐,不提供上課證明或證書。

2.如因報名人數過多,本中心得更換教室。請學員務必於上課前三日,上網確認上課地點。


立即前往報名