Mga Saligan ng Malalim na Pag-aaral at Pagkatutong May Pagpapatibay (Deep Learning at Reinforcement Learning)

Binabago ng artificial intelligence ang mga industriya, ngunit ang mga mekanismo sa likod ng mga neural network at awtonomong pagdedesisyon ay kadalasang tila isang itim na kahon (black box). Hinahati-hati ng kursong ito ang mga kumplikadong sistemang ito sa madaling unawain at mapamahalaang mga konsepto na idinisenyo para sa mga baguhan sa larangang ito. Mula sa paglalarawan ng pangunahing machine learning, lilipat ka sa pag-unawa kung paano pinoproseso ng malalalim na arkitektura ang kumplikadong datos at kung paano pinapagana ng reinforcement learning ang mga ahente na matuto at umunlad sa pamamagitan ng interaksyon sa kapaligiran. Ang iyong matututunan: - Unawain ang mga pundasyong matematikal ng mga neural network at ang proseso ng backpropagation - Galugarin ang mga makabagong arkitektura kabilang ang mga convolutional layer at ang mga pangunahing kaalaman sa mga transformer model - Ilapat ang mga prinsipyo ng reinforcement learning upang mamodelo ang mga interaksyon ng ahente at kapaligiran - Alamin ang mga mekanismo ng Markov Decision Processes at ang kahalagahan ng mga reward function - Masterin ang mga pangunahing konsepto ng Q-learning at policy gradients para sa awtonomong pagdedesisyon - Magsanay sa pagtukoy ng tamang istruktura ng deep learning para sa iba't ibang hamon sa datos Nagsisimula ang kurso sa mga mahahalagang terminolohiya at pundasyong kasaysayan ng mga neural network bago lumipat sa mga partikular na arkitektura ng deep learning at sa lohika ng reinforcement learning. Aabante ka sa pamamagitan ng mga nakasulat na paliwanag at mga pagsasanay sa lohikang nakabatay sa code na nagpapatibay sa bawat konsepto. Ang kursong ito ay idinisenyo para sa mga baguhan na nais lumampas sa pangunahing data science; walang kinakailangang naunang karanasan sa deep learning o reinforcement learning. Simulan ang iyong paglalakbay sa mga pangunahing teknolohiya na nagpapagana sa mga makabagong AI ngayon.