Artwork

Sisällön tarjoaa FAU and Prof. Dr. Andreas Maier. FAU and Prof. Dr. Andreas Maier tai sen podcast-alustan kumppani lataa ja toimittaa kaiken podcast-sisällön, mukaan lukien jaksot, grafiikat ja podcast-kuvaukset. Jos uskot jonkun käyttävän tekijänoikeudella suojattua teostasi ilman lupaasi, voit seurata tässä https://fi.player.fm/legal kuvattua prosessia.
Player FM - Podcast-sovellus
Siirry offline-tilaan Player FM avulla!

Deep Learning 2018 (QHD 1920 - Video & Folien)

Jaa
 

Arkistoidut sarjat ("Toimeton syöte" status)

When? This feed was archived on June 19, 2022 01:28 (2y ago). Last successful fetch was on August 21, 2020 07:08 (3+ y ago)

Why? Toimeton syöte status. Palvelimemme eivät voineet hakea voimassa olevaa podcast-syötettä tietyltä ajanjaksolta.

What now? You might be able to find a more up-to-date version using the search function. This series will no longer be checked for updates. If you believe this to be in error, please check if the publisher's feed link below is valid and contact support to request the feed be restored or if you have any other concerns about this.

Manage series 2432490
Sisällön tarjoaa FAU and Prof. Dr. Andreas Maier. FAU and Prof. Dr. Andreas Maier tai sen podcast-alustan kumppani lataa ja toimittaa kaiken podcast-sisällön, mukaan lukien jaksot, grafiikat ja podcast-kuvaukset. Jos uskot jonkun käyttävän tekijänoikeudella suojattua teostasi ilman lupaasi, voit seurata tässä https://fi.player.fm/legal kuvattua prosessia.
Deep Learning (DL) has attracted much interest in a wide range of applications such as image recognition, speech recognition and artificial intelligence, both from academia and industry. This lecture introduces the core elements of neural networks and deep learning, it comprises: (multilayer) perceptron, backpropagation, fully connected neural networks loss functions and optimization strategies convolutional neural networks (CNNs) activation functions regularization strategies common practices for training and evaluating neural networks visualization of networks and results common architectures, such as LeNet, Alexnet, VGG, GoogleNet recurrent neural networks (RNN, TBPTT, LSTM, GRU) deep reinforcement learning unsupervised learning (autoencoder, RBM, DBM, VAE) generative adversarial networks (GANs) weakly supervised learning applications of deep learning (segmentation, object detection, speech recognition, ...)
  continue reading

13 jaksoa

Artwork

Deep Learning 2018 (QHD 1920 - Video & Folien)

17 subscribers

updated

iconJaa
 

Arkistoidut sarjat ("Toimeton syöte" status)

When? This feed was archived on June 19, 2022 01:28 (2y ago). Last successful fetch was on August 21, 2020 07:08 (3+ y ago)

Why? Toimeton syöte status. Palvelimemme eivät voineet hakea voimassa olevaa podcast-syötettä tietyltä ajanjaksolta.

What now? You might be able to find a more up-to-date version using the search function. This series will no longer be checked for updates. If you believe this to be in error, please check if the publisher's feed link below is valid and contact support to request the feed be restored or if you have any other concerns about this.

Manage series 2432490
Sisällön tarjoaa FAU and Prof. Dr. Andreas Maier. FAU and Prof. Dr. Andreas Maier tai sen podcast-alustan kumppani lataa ja toimittaa kaiken podcast-sisällön, mukaan lukien jaksot, grafiikat ja podcast-kuvaukset. Jos uskot jonkun käyttävän tekijänoikeudella suojattua teostasi ilman lupaasi, voit seurata tässä https://fi.player.fm/legal kuvattua prosessia.
Deep Learning (DL) has attracted much interest in a wide range of applications such as image recognition, speech recognition and artificial intelligence, both from academia and industry. This lecture introduces the core elements of neural networks and deep learning, it comprises: (multilayer) perceptron, backpropagation, fully connected neural networks loss functions and optimization strategies convolutional neural networks (CNNs) activation functions regularization strategies common practices for training and evaluating neural networks visualization of networks and results common architectures, such as LeNet, Alexnet, VGG, GoogleNet recurrent neural networks (RNN, TBPTT, LSTM, GRU) deep reinforcement learning unsupervised learning (autoencoder, RBM, DBM, VAE) generative adversarial networks (GANs) weakly supervised learning applications of deep learning (segmentation, object detection, speech recognition, ...)
  continue reading

13 jaksoa

Kaikki jaksot

×
 
Loading …

Tervetuloa Player FM:n!

Player FM skannaa verkkoa löytääkseen korkealaatuisia podcasteja, joista voit nauttia juuri nyt. Se on paras podcast-sovellus ja toimii Androidilla, iPhonela, ja verkossa. Rekisteröidy sykronoidaksesi tilaukset laitteiden välillä.

 

Pikakäyttöopas