
Soyez le premier à aimer ceci
SlideShare utilise les cookies pour améliorer les fonctionnalités et les performances, et également pour vous montrer des publicités pertinentes. Si vous continuez à naviguer sur ce site, vous acceptez l’utilisation de cookies. Consultez nos Conditions d’utilisation et notre Politique de confidentialité.
SlideShare utilise les cookies pour améliorer les fonctionnalités et les performances, et également pour vous montrer des publicités pertinentes. Si vous continuez à naviguer sur ce site, vous acceptez l’utilisation de cookies. Consultez notre Politique de confidentialité et nos Conditions d’utilisation pour en savoir plus.
Scribd reprendra les activités de SlideShare le 1 décembre 2020 À partir de cette date, Scribd gérera votre compte SlideShare et tout le contenu que vous pourriez avoir sur SlideShare, et les Conditions générales d’utilisation ainsi que la Politique de confidentialité de Scribd s’appliqueront. Si vous souhaitez vous désinscrire, veuillez fermer votre compte SlideShare. En savoir plus.
Publié le
https://telecombcndl.github.io/2018dlai/
Deep learning technologies are at the core of the current revolution in artificial intelligence for multimedia data analysis. The convergence of largescale annotated datasets and affordable GPU hardware has allowed the training of neural networks for data analysis tasks which were previously addressed with handcrafted features. Architectures such as convolutional neural networks, recurrent neural networks or Qnets for reinforcement learning have shaped a brand new scenario in signal processing. This course will cover the basic principles of deep learning from both an algorithmic and computational perspectives.
Soyez le premier à aimer ceci
Il semblerait que vous ayez déjà ajouté cette diapositive à .
Login to see the comments