趋近智
趋近智
构建并训练先进的自动编码器结构，以实现有效的表示学习。本课程介绍各类自动编码器（包括稀疏、去噪、变分和对抗性模型）的理论基础与实际操作。学员将学习如何操作潜在空间，并将这些技术应用到降维、异常检测和生成等任务中，同时使用现代深度学习 (deep learning)框架。
先修课程 Python、机器学习、深度学习
级别:
高级自动编码器结构
实现并区分不同类型的自动编码器，如去噪自动编码器、稀疏自动编码器、变分自动编码器、对抗性自动编码器和卷积自动编码器。
表示学习理论
理解表示学习的原理以及自动编码器如何学习有意义的数据压缩。
潜在空间操作
分析、可视化并操作自动编码器学习到的潜在空间，以完成生成和解耦等任务。
变分自动编码器 (VAEs)
掌握变分自动编码器的概率基础，包括重参数化技巧和ELBO目标函数。
实际应用
使用Python和深度学习库将自动编码器应用于降维、异常检测和数据生成等任务。
模型训练与评估
运用适当的损失函数、正则化方法和评估指标来训练稳定的自动编码器模型。