Лекция 5: Нейронные сети

В лекции 5 представлены полносвязные нейронные сети как мощный нелинейный классификатор. Мы начинаем с обсуждения преобразований признаков плюс линейных классификаторов как механизма нелинейной классификации, затем представляем нейронные сети как механизм для совместного обучения преобразованию признаков и классификатору. Мы кратко обсуждаем различия между биологическими и искусственными нейронами. Мы видим, как полносвязные нейронные сети выполняют нелинейную классификацию посредством пространственного искажения, и обсуждаем универсальное свойство аппроксимации для нейронных сетей. В заключение мы кратко обсуждаем выпуклость: линейные классификаторы приводят к задачам выпуклой оптимизации, которые более поддаются оптимизации, чем невыпуклые задачи оптимизации, необходимые для обучения классификаторов на основе нейронных сетей. Слайды: http://myumi.ch/bvnX5 _________________________________________________________________________________________________ Компьютерное зрение стало повсеместным в нашем обществе, находя применение в поиске, понимании изображений, приложениях, картографии, медицине, дронах и беспилотных автомобилях. В основе многих из этих приложений лежат задачи визуального распознавания, такие как классификация изображений и обнаружение объектов. Последние достижения в области нейронных сетей значительно повысили производительность современных систем визуального распознавания. Этот курс представляет собой углубленное изучение методов глубокого обучения на основе нейронных сетей для компьютерного зрения. В ходе курса студенты научатся реализовывать, обучать и отлаживать собственные нейронные сети, а также получат подробное представление о передовых исследованиях в области компьютерного зрения. Мы рассмотрим алгоритмы обучения, архитектуры нейронных сетей и практические инженерные приемы для обучения и тонкой настройки сетей для задач визуального распознавания. Сайт курса: http://myumi.ch/Bo9Ng Преподаватель: Джастин Джонсон http://myumi.ch/QA8Pg