本课程将为参与者提供一个前景，以建立或推进他们对遗传算法、GAN 和变分自动编码器及其在 Python 框架中的实施的思考。本课程包括算法过程、方法和应用维度。详细解释了通过选择最适合的个体来反映自然选择过程的遗传算法。此外，它在 Python 库中的实现是逐步展示的。类似地，生成对抗网络（简称 GAN）被引入作为生成建模的一种方法。生成式建模被解释为一种无监督学习任务，用于生成或输出可能从原始数据集中提取的新示例。生成器和鉴别器模块都在深度中进行了解释。
这两个模型在零和游戏中一起解释，对抗性，直到鉴别器模型被愚弄了一半，这意味着生成器模型正在生成似是而非的例子。本课程介绍了定量、定性和混合研究过程的要素方法域。参与者将利用这些基础知识开始批判性地理解设计思维及其大规模优化。他们将能够理解以制定研究问题并通过基于适当方法的有效研究方法来回答它。
此外，他们将学会得出有意义的推论，并以高质量的研究论文的形式将它们组合在一起。在过去的几年里，基于深度学习的生成模型由于（并暗示）该领域的一些惊人改进而引起了越来越多的兴趣。依靠海量数据、精心设计的网络架构和智能训练技术，深度生成模型显示出令人难以置信的能力，可以生成各种高度逼真的内容片段，例如图像、文本和声音。
在这些深度生成模型中，两大家族脱颖而出，值得特别关注：生成对抗网络 (GAN) 和变分自动编码器 (VAE)。
最后更新 7/2022
MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz
语言：英语 | 大小：5.97 GB | 时长：5h 1m
你会学到什么
遗传算法简介
Python 中遗传算法的实现
生成对抗网络和变分自动编码器 (VAE)
使用贝叶斯网络进行统计推理简介
用于超参数优化的遗传算法
强化学习和 Python 实现简介
要求
无需任何经验
描述
本课程涵盖的关键主题是：
1。遗传算法简介.2。使用案例示例在 Python 中实现遗传算法。3. 根据研究的性质提出假设。 4．生成对抗网络 (GAN) 简介。5. GAN 在 Python 中的实现。6. 元分析和大规模图挖掘。7。使用沉浸式和Sense-Making.8 的设计思维。深度学习中的强化学习算法简介。9. 贝叶斯统计推断简介。10. 自动编码器简介.11。变分自动编码器 (VAE).12 中潜在空间的概念。
概述
第 1 节：遗传算法 – 简介
第 1 讲 遗传算法简介
第2讲遗传算法的基本组成部分
第 3 讲 NLP 前沿研究
第 2 节：遗传算法 (GA) 中的新搜索
第 4 讲 GA 中的新奇搜索
第 3 节：PyGAD- 遗传算法的 Python 库
第 5 讲 PyGAD 用于遗传算法 – Python 包
第 4 节：遗传算法的实现
第6讲遗传算法的Python实现
第 5 节：变分自动编码器 (VAE) 的基础知识
第 7 讲变分自动编码器的构建模块
第 6 节：生成对抗网络 (GAN) 简介
第 8 讲 GAN 是什么——第一部分
第 9 讲什么是 GAN – 第二部分
第 10 讲 GAN 是如何工作的？
第 7 节：GAN 的 Python 实现
第 11 讲 GAN 在 Python 框架中的实现
第 8 节：贝叶斯统计推断简介
第12讲贝叶斯网络
第 9 节：强化学习简介
第 13 讲强化学习的基础知识——第一部分
第 14 讲强化学习的基础知识-第二部分
第 10 节：研究算法 – 研究维度
Lecture 15 深度学习中的图论优化
第 16 讲如何使用谷歌分析来使用大规模图表
Lecture 17 理解研究术语和研究过程
第 18 讲 研究伦理与诚信
第19讲从创意到创新的研究思维
第20讲 定性研究与方法
第21讲定量研究及其类型
第22讲随机、分层、系统和聚类抽样技术
第23讲混合方法及其研究意义
第 24 讲 为什么在研究试验中使用 RCT
第 11 节：出版研究：研究论文写作
第 25 讲高级研究技术，包括机器学习方法
第 26 讲为什么系统评价和 Meta 分析对循证研究很重要
第27讲 如何选择研究课题
第28讲 研究期刊出版的选择
第 29 课如何准备论文/手稿以供发表？
第 30 讲 学生将了解知情同意和竞争利益
第31讲移动平均线、动态移动平均线和动量
第 32 讲 为什么必须了解颠覆性创新周期
第 33 讲 不同哈希算法之间的主要区别
第 12 节：图神经网络
第 34 课 GNN 简介
第 35 讲 大型语言算法
第 36 课 NLP 的 Transformer 算法
第 13 节：内核算法
第37课 内核算法介绍
使用算法进行基础和应用建模的计算机科学、工程和研究学生，希望与领先算法保持同步的初学者
