Размер видео: 1280 X 720853 X 480640 X 360
Показать панель управления
Автовоспроизведение
Автоповтор
多謝 陳博士無私分享
謝謝！
老師講得真是淺顯易懂又切入要點, 學習了
謝謝你們徹底澄清了ML和DL之間的差異，DL/NN結合也是不得不然的結果，但是人腦有1000億計的Neuron，所以真的要這樣學習人腦的思維模式的話，DL就只能在超級計算機上跑了。
That's correct. However the classic silicon computer is approaching limit. That's why quantum computing come to rescue this.
shallow vs. deep 最大的問題是training，shallow的形式下，BP的訓練可以從數學上有效保證error收斂性，只要是deep的model，看似比較能夠涵蓋複雜之情況，但訓練方法並無法保證收斂性，造成必須trial and error
想請問教授，關於 17:43 闡述的 Deep Neural Network 是不是也代表每一個 Neuron 中都含有獨立的 Bias 與 Activation Function?
Yes.
GPU適合DL的原因:其硬體架構(CUDA/OpenCL語言)的專長就是 => "矩陣運算"各位先進請指教..
謝謝你的補充，我會把你的補充加進去之後的內容！
在12:33上面的2顆neuron之間的脈衝傳送上，Synaptic terminals有幾根是直接結合在neuron上的，有些特別喔!
quantum computing要寫量子電腦專用的程式，請問台大有這類的課程嗎，適用幾顆Qubit，有視頻可看嗎?
我總覺得計算機的類神經網路和生物神經網路不是「同一件事」🎉截至目前為止 人類對生物腦器官的運作還是不了解的 😅
校外学生能获取在线平台cool的账号吗？
目前只提供給台大三校聯盟的同學喔！
多謝 陳博士無私分享
謝謝！
老師講得真是淺顯易懂又切入要點, 學習了
謝謝你們徹底澄清了ML和DL之間的差異，DL/NN結合也是不得不然的結果，但是人腦有1000億計的Neuron，所以真的要這樣學習人腦的思維模式的話，DL就只能在超級計算機上跑了。
That's correct. However the classic silicon computer is approaching limit. That's why quantum computing come to rescue this.
shallow vs. deep 最大的問題是training，shallow的形式下，BP的訓練可以從數學上有效保證error收斂性，只要是deep的model，看似比較能夠涵蓋複雜之情況，但訓練方法並無法保證收斂性，造成必須trial and error
想請問教授，關於 17:43 闡述的 Deep Neural Network 是不是也代表每一個 Neuron 中都含有獨立的 Bias 與 Activation Function?
Yes.
GPU適合DL的原因:
其硬體架構(CUDA/OpenCL語言)的專長就是 => "矩陣運算"
各位先進請指教..
謝謝你的補充，我會把你的補充加進去之後的內容！
在12:33上面的2顆neuron之間的脈衝傳送上，Synaptic terminals有幾根是直接結合在neuron上的，有些特別喔!
quantum computing要寫量子電腦專用的程式，請問台大有這類的課程嗎，適用幾顆Qubit，有視頻可看嗎?
我總覺得計算機的類神經網路和生物神經網路不是「同
一件事」🎉
截至目前為止 人類對生物腦器官的運作還是不了解的 😅
校外学生能获取在线平台cool的账号吗？
目前只提供給台大三校聯盟的同學喔！