深度学习模型之可解释的模型及应用精讲

深度学习模型之可解释的模型及应用精讲

适用人群： 计算机、互联网、多媒体、人工智能、智能化管线、智慧城市等it智能行业

共5课时
1小时57分26秒
2018-02-01更新

课程目标

将现代人工智能的思想揉入到强大的贝叶斯深度学习的框架中，通过一些可解释的模型运用到常用的实验环境中。

适用人群

计算机、互联网、多媒体、人工智能、智能化管线、智慧城市等it智能行业

课程简介

对于现代人工智能基石之一深度学习的模型，人们往往对其有所怀疑，因为无法很好地给出人类能够接受的解释。因此我们需要引入一些机制使得对于复杂模型能够有更为深入的理解，可解释模型其实一大类的技术集合。我们本节会给出适当的背景知识和应用场景。概率图模型是深度学习之前一波重要的工作，其研究的模型具备非常良好的特性，在研究过程中能够刻画人类可以理解的先验知识。我们给出概率图模型基本原理和相关技术，学习一门重要的数学语言。为了更好地介绍我们的重点内容，会给出贝叶斯推断的基本原理和技术，这是更好地设计模型需要的重要技术。深度学习的发展催生了大量的技术突破，但对于模型的深入理解仍然缺乏手段。贝叶斯深度学习作为将两种技术结合的尝试将会成为接下来一段时间内重要发展方向。我们本节课给出贝叶斯深度学习的原理和技术点的介绍。通过常用的实践环境来帮助大家更好地学习贝叶斯深度学习，这些是可解释模型学习和研究的重要手段。

视频列表

可解释的模型简介

概率图模型

贝叶斯推断原理

贝叶斯深度学习

常用实践环境