Đang tải... (xem toàn văn)
CHƯƠNG 1 GIỚI THIỆU VỀ DEEP LEARNING CHƯƠNG 2 GIỚI THIỆU VỀ MẠNG NƠ-RON CHƯƠNG 3 GIỚI THIỆU VỀ MẠNG TÍCH CHẬP CONV NEURAL NETWORKS CHƯƠNG 4 HUẤN LUYỆN MẠNG NƠ-RON (PHẦN 1) CHƯƠNG 5 HUẤN LUYỆN MẠNG NƠ-RON (PHẦN 2) CHƯƠNG 6 PHẦN CỨNG VÀ PHẦN MỀM CHO HỌC SÂU CHƯƠNG 7 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG THỊ GIÁC MÁY (PHẦN 1) CHƯƠNG 8 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG THỊ GIÁC MÁY (PHẦN 2) CHƯƠNG 9 MẠNG HỒI QUY CHƯƠNG 10 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (PHẦN 1) CHƯƠNG 11 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (PHẦN 2) CHƯƠNG 12 MÔ HÌNH SINH DỮ LIỆU
BÀI GIẢNG DEEP LEARNING HỌC SÂU VÀ ỨNG DỤNG KẾT CẤU BÀI GIẢNG CHƯƠNG GIỚI THIỆU VỀ DEEP LEARNING CHƯƠNG GIỚI THIỆU VỀ MẠNG NƠ-RON CHƯƠNG GIỚI THIỆU VỀ MẠNG TÍCH CHẬP CONV NEURAL NETWORKS CHƯƠNG HUẤN LUYỆN MẠNG NƠ-RON (PHẦN 1) CHƯƠNG HUẤN LUYỆN MẠNG NƠ-RON (PHẦN 2) CHƯƠNG PHẦN CỨNG VÀ PHẦN MỀM CHO HỌC SÂU CHƯƠNG MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG THỊ GIÁC MÁY (PHẦN 1) CHƯƠNG MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG THỊ GIÁC MÁY (PHẦN 2) CHƯƠNG MẠNG HỒI QUY CHƯƠNG 10 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (PHẦN 1) CHƯƠNG 11 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (PHẦN 2) CHƯƠNG 12 MƠ HÌNH SINH DỮ LIỆU KẾT CẤU BÀI GIẢNG CHƯƠNG GIỚI THIỆU VỀ DEEP LEARNING CHƯƠNG GIỚI THIỆU VỀ MẠNG NƠ-RON CHƯƠNG GIỚI THIỆU VỀ MẠNG TÍCH CHẬP CONV NEURAL NETWORKS CHƯƠNG HUẤN LUYỆN MẠNG NƠ-RON (PHẦN 1) CHƯƠNG HUẤN LUYỆN MẠNG NƠ-RON (PHẦN 2) CHƯƠNG PHẦN CỨNG VÀ PHẦN MỀM CHO HỌC SÂU CHƯƠNG MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG THỊ GIÁC MÁY (PHẦN 1) CHƯƠNG MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG THỊ GIÁC MÁY (PHẦN 2) CHƯƠNG MẠNG HỒI QUY CHƯƠNG 10 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (PHẦN 1) CHƯƠNG 11 MỘT SỐ ỨNG DỤNG HỌC SÂU TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (PHẦN 2) CHƯƠNG 12 MƠ HÌNH SINH DỮ LIỆU Chương 1: Giới thiệu học sâu Thế học sâu? • Là phương pháp học máy sử dụng mạng nơ-ron nhân tạo để trích xuất đặc trưng tự động từ liệu Tại cần học sâu? • Phương pháp học máy truyền thống địi hỏi trích xuất đặc trưng cách thủ cơng, địi hỏi kinh nghiệm phụ thuộc toán cụ thể • Học sâu cho phép trích chọn đặc trưng tự động từ liệu Tại bùng nổ học sâu? Học máy có giám sát Tập huấn luyện tập kiểm tra Data acquisition Practical usage Universal set (unobserved) Training set (observed) Testing set (unobserved) Hiện tượng overfit underfit • Underfitting: mơ hình “đơn giản” để biểu diễn tính chất liệu • Bias cao variance thấp • Sai số cao tập huấn luyện tập kiểm tra • Overfitting: mơ hình q “phức tạp” dẫn tới học nhiễu liệu • Bias thấp variance cao • Sai số thấp tập huấn luyện sai số cao tập kiểm tra Adapted from L Lazebnik Trực giác ban đầu GANs • Generator cố gắng cải tiến chất lượng liệu giả 50 Trực giác ban đầu GANs • Generator cố gắng cải tiến chất lượng liệu giả 51 Intuition behind GANs • Discriminator cố gắng phân biệt liệu thật giả • Generator cố gắng cải tiến chất lượng liệu giả để lừa discriminator 52 Huấn luyện GANs • Discriminator cố gắng phân biệt liệu thật giả • Generator cố gắng cải tiến chất lượng liệu giả để lừa discriminator 53 Huấn luyện GANs 54 Biến đổi Image-to-image 58 pix2pix • Training a conditional GAN to map edges→photo The discriminator, D, learns to classify between fake (synthesized by the generator) and real {edge, photo} tuples The generator, G, learns to fool the discriminator Unlike an unconditional GAN, both the generator and discriminator observe the input edge map 59 Conditional GAN 60 CycleGAN 61 Progressive growing of GANs (NVIDIA) 62 Progressive growing of GANs (NVIDIA) 63 Style-based generator 64 Style-based transfer 65 Tổng kết mơ hình sinh 66 Tài liệu tham khảo Khóa MIT Deep Learning 6.S191: http://introtodeeplearning.com/ Khóa cs231n Stanford: http://cs231n.stanford.edu/slides/2020/lecture_11.pdf 67