微软人工智能 - 深度学习框架

成为vip会员,免费看所有精品课程
  • 目录

    目录 收起>

    微软的公有云Azure针对现有流行的深度学习框架提供了强大的支持,为 Cognitive Toolkit,TensorFlow 以及 Caffe 等业界主流的深度学习框架提供了虚拟机模板和预配置的环境。同时微软研究院在深度神经网络及其应用领域一直处于领先的地位,并提供了一系列算法和工具不断促进性能的提升。数据科学家们可以快速的利用这些资源进行深度学习相关的研究、开发和应用。 本部分内容讲围绕微软最新的深度研究方向以及深度学习在业界使用的场景,介绍深度学习网络的基本概念和应用在语音、视觉、视频、图像等领域的最佳实践,同时为大家带来一系列实际应用案例的解析。

    1.深度学习概览 00:38:57

    本课时概括性的介绍一些在微软平台上与深度学习相关的最新突破以及对于开发者的支持。

    2.深度神经网络简介及模糊神经网络FNN 00:30:55

    本次课程首先简要回顾了人工智能以及神经网络的发展历史,然后从感知器开始,重点介绍了最基本的深度神经网络——深度前馈神经网络,以及如何训练神经网络模型。

    3.卷积神经网络CNN 00:29:00

    本课程介绍构成卷积神经网络的基本层;基本的优化目标及方法;最近结构设计方面的工作。

    4.循环神经网络RNN 00:38:55

    本次课程在前馈式网络知识的基础上,以语言模型为例,具体介绍了循环神经网络的研究历史,网络结构,学习算法和典型应用。

    5.深度神经网络在语音中的应用 00:25:54

    本课程介绍语音识别系统的概要;基于前馈神经网络的声学模型;基于卷积神经网络和递归神经网络的声学模型;常用的语音识别开源软件。

    6.深度视频分析与理解 00:01:07:06

    本视频主要回顾了视频理解领域最新的研究进展,从该领域核心问题的概述出发,不仅涵盖了视频特征学习以及视频分类/识别这些基本的任务和挑战,还包含了新兴的视觉与语言交叉任务。

    7.深度学习在计算机图形学中的结合与运用 00:40:37

    本课程分为两个部分:第一部分介绍如何利用八叉树结构来构造高效的三维卷积神经网络,并将其应用在三维物体的识别、检索与分割;第二部分针对表观建模中的大量无标注数据和少量标注数据,介绍如何构造自增强神经网络进行有效的训练。

    8.强化学习DRL简介 00:32:05

    本讲座简单的介绍了强化学习的基础知识,包括什么是强化学习;马尔可夫决策过程和贝尔曼方程;Q-learning算法;Deep Q-learning算法。

    9.Azure GPU助力基于TensorFlow框架的深度学习 00:41:34

    本课时介绍基于Azure GPU虚拟机如何开发高性能分布式的TensorFlow深度学习算法。

    10.Cognitive Toolkit框架以及Azure上DSVM虚拟机模板 00:41:29

    本课程通过介绍微软认知工具包和Azure数据科学虚拟机,结合动手实验,旨在帮助深度学习研究者加快深度学习网络模型搭建、训练以及评估的过程,帮助用户快速上手实践。

    11.最佳实践:基于Azure和Caffe 框架的深度学习 00:44:36

    本节课讲师通过一个端到端的动手实验,详细介绍如何基于DSVM进行Caffe的开发。

    12.Apache Spark 微软机器学习 00:35:55

    Microsoft Machine Learning for Apache Spark(以下简称MML for Spark)是微软提供的一个开源的机器学习Library。本节课将通过多个实际代码演示介绍MML for Spark的功能、优势及使用场景。

    13.人工智能技术在医疗健康问答系统中的应用案例解析 00:44:48

    这次课程以一个具体的应用问题,即医疗健康领域常见问题的自动化问答为例介绍了包括知识工程,统计机器学习,包括深度学习在内的多种算法如何在解决问题的过程中被从不同角度不同程度的使用。

    14.微软识花案例解析 00:40:39

    本次课程介绍了一个基于深度神经网络的精细化物体识别应用—微软识花。课程首先详细介绍了微软识花的产品功能、特点、识别逻辑、用户界面和影响力。

    15.Microsoft Pix 案例解析 00:35:49

    本次课程首先简要介绍了Microsoft Pix为何被称为人工智能相机,并解释了Pix拍摄中涉及的智能技术;然后以五个功能为例重点介绍了这些功能如何得以实现。
  • 提问

    提交问题
  • 下载

  • 线路

    视频太卡?试试切换线路 √ 线路1 √ 线路2
  • 收藏

    收藏课程
  • 分享

连播

连续播放

关灯

关灯模式
视频加载太慢?

我们有两条线路可以选择,试试切换线路吧

微软人工智能 - 深度学习框架

15课时,588分钟2017-06-13
课程背景:
微软的公有云Azure针对现有流行的深度学习框架提供了强大的支持,为 Cognitive Toolkit,TensorFlow 以及 Caffe 等业界主流的深度学习框架提供了虚拟机模板和预配置的环境。同时微软研究院在深度神经网络及其应用领域一直处于领先的地位,并提供了一系列算法和工具不断促进性能的提升。数据科学家们可以快速的利用这些资源进行深度学习相关的研究、开发和应用。

本部分内容讲围绕微软最新的深度研究方向以及深度学习在业界使用的场景,介绍深度学习网络的基本概念和应用在语音、视觉、视频、图像等领域的最佳实践,同时为大家带来一系列实际应用案例的解析。

核心内容:
1. 深度学习概览
2. 深度神经网络简介及模糊神经网络FNN
3. 卷积神经网络CNN
4. 循环神经网络RNN
5. 深度神经网络在语音中的应用
6. 深度视频分析与理解
7. 深度学习在计算机图形学中的结合与运用
8. 强化学习DRL简介
9. Azure GPU助力基于 TensorFlow 框架的深度学习
10. Cognitive Toolkit 框架以及 Azure 上 DSVM 虚拟机模板
11. 最佳实践:基于 Azure和Caffe 框架的深度学习
12. Apache Spark 微软机器学习
13. 人工智能技术在医疗健康问答系统中的应用案例解析
14. 微软识花案例解析
15. Microsoft Pix 案例解析

软件环境:Microsoft Azure、TensorFlow、Cognitive Toolkit、Caffe、 Apache Spark

是否提供资料:

课程等级:高级

适合人群:
数据科学家、致力于人工智能的开发人员
  • 技术问答
  • 1

    深度学习概览

    38:57

    本课时概括性的介绍一些在微软平台上与深度学习相关的最新突破以及对于开发者的支持。

  • 2

    深度神经网络简介及模糊神经网络FNN

    30:55

    本次课程首先简要回顾了人工智能以及神经网络的发展历史,然后从感知器开始,重点介绍了最基本的深度神经网络——深度前馈神经网络,以及如何训练神经网络模型。

  • 3

    卷积神经网络CNN

    29:00

    本课程介绍构成卷积神经网络的基本层;基本的优化目标及方法;最近结构设计方面的工作。

  • 4

    循环神经网络RNN

    38:55

    本次课程在前馈式网络知识的基础上,以语言模型为例,具体介绍了循环神经网络的研究历史,网络结构,学习算法和典型应用。

  • 5

    深度神经网络在语音中的应用

    25:54

    本课程介绍语音识别系统的概要;基于前馈神经网络的声学模型;基于卷积神经网络和递归神经网络的声学模型;常用的语音识别开源软件。

  • 6

    深度视频分析与理解

    01:07:06

    本视频主要回顾了视频理解领域最新的研究进展,从该领域核心问题的概述出发,不仅涵盖了视频特征学习以及视频分类/识别这些基本的任务和挑战,还包含了新兴的视觉与语言交叉任务。

  • 7

    深度学习在计算机图形学中的结合与运用

    40:37

    本课程分为两个部分:第一部分介绍如何利用八叉树结构来构造高效的三维卷积神经网络,并将其应用在三维物体的识别、检索与分割;第二部分针对表观建模中的大量无标注数据和少量标注数据,介绍如何构造自增强神经网络进行有效的训练。

  • 8

    强化学习DRL简介

    32:05

    本讲座简单的介绍了强化学习的基础知识,包括什么是强化学习;马尔可夫决策过程和贝尔曼方程;Q-learning算法;Deep Q-learning算法。

  • 9

    Azure GPU助力基于TensorFlow框架的深度学习

    41:34

    本课时介绍基于Azure GPU虚拟机如何开发高性能分布式的TensorFlow深度学习算法。

  • 10

    Cognitive Toolkit框架以及Azure上DSVM虚拟机模板

    41:29

    本课程通过介绍微软认知工具包和Azure数据科学虚拟机,结合动手实验,旨在帮助深度学习研究者加快深度学习网络模型搭建、训练以及评估的过程,帮助用户快速上手实践。

  • 11

    最佳实践:基于Azure和Caffe 框架的深度学习

    44:36

    本节课讲师通过一个端到端的动手实验,详细介绍如何基于DSVM进行Caffe的开发。

  • 12

    Apache Spark 微软机器学习

    35:55

    Microsoft Machine Learning for Apache Spark(以下简称MML for Spark)是微软提供的一个开源的机器学习Library。本节课将通过多个实际代码演示介绍MML for Spark的功能、优势及使用场景。

  • 13

    人工智能技术在医疗健康问答系统中的应用案例解析

    44:48

    这次课程以一个具体的应用问题,即医疗健康领域常见问题的自动化问答为例介绍了包括知识工程,统计机器学习,包括深度学习在内的多种算法如何在解决问题的过程中被从不同角度不同程度的使用。

  • 14

    微软识花案例解析

    40:39

    本次课程介绍了一个基于深度神经网络的精细化物体识别应用—微软识花。课程首先详细介绍了微软识花的产品功能、特点、识别逻辑、用户界面和影响力。

  • 15

    Microsoft Pix 案例解析

    35:49

    本次课程首先简要介绍了Microsoft Pix为何被称为人工智能相机,并解释了Pix拍摄中涉及的智能技术;然后以五个功能为例重点介绍了这些功能如何得以实现。