Kurzusleírás
1. NAP – MESTERSÉGES NEURÁLIS HÁLÓZATOK
Bevezetés és az ANN felépítése.
- Biológiai neuronok és mesterséges neuronok.
- Az ANN modellje.
- Az ANN-ekben használt aktivációs függvények.
- A hálózati architektúrák tipikus osztályai.
Matematikai alapok és tanulási mechanizmusok.
- A vektor- és mátrixalgebra áttekintése.
- Állapottér-fogalmak.
- Optimalizálási fogalmak.
- Hibajavító tanulás.
- Memóriaalapú tanulás.
- Hebb-féle tanulás.
- Versengő tanulás.
Egyrétegű perceptronok.
- A perceptronok felépítése és tanulása.
- Mintázatosztályozó – bevezetés és Bayes-féle osztályozók.
- A perceptron mint mintázatosztályozó.
- Perceptron konvergencia.
- A perceptronok korlátai.
Előrecsatolt ANN.
- A többrétegű előrecsatolt hálózatok felépítése.
- Hibaterjedéses (backpropagation) algoritmus.
- Hibaterjedés – tanítás és konvergencia.
- Függvényközelítés hibaterjedéssel.
- A hibaterjedéses tanulás gyakorlati és tervezési kérdései.
Radiális bázisfüggvény-hálózatok.
- Mintázatok szeparálhatósága és interpoláció.
- Regularizációs elmélet.
- Regularizáció és RBF-hálózatok.
- RBF-hálózatok tervezése és tanítása.
- Az RBF közelítési tulajdonságai.
Versengő tanulás és önszerveződő ANN.
- Általános klaszterezési eljárások.
- Tanuló vektorkvantálás (LVQ).
- Versengő tanulási algoritmusok és architektúrák.
- Önszerveződő jellemzőtérképek.
- A jellemzőtérképek tulajdonságai.
Fuzzy neurális hálózatok.
- Neuro-fuzzy rendszerek.
- A fuzzy halmazok és logika háttere.
- Fuzzy rendszerek tervezése.
- Fuzzy ANN-ek tervezése.
Alkalmazások
- A neurális hálózati alkalmazások néhány példája, valamint azok előnyei és problémái kerülnek megvitatásra.
2. NAP – GÉPI TANULÁS
- A PAC tanulási keretrendszer
- Garancia a véges hipotézishalmaz esetére – konzisztens eset
- Garancia a véges hipotézishalmaz esetére – inkonzisztens eset
- Általánosságok
- Determinisztikus vs. sztochasztikus forgatókönyvek
- Bayes-hiba és zaj
- Becslési és közelítési hibák
- Modellkiválasztás
- Radmacher-bonyolultság és VC-dimenzió
- Torzítás–variancia kompromisszum
- Regularizáció
- Túlillesztés
- Validálás
- Szupport vektor gépek
- Krigelés (Gauss-folyamat regresszió)
- PCA és kernel PCA
- Önszerveződő térképek (SOM)
- Kernel által indukált vektortér
- Mercer-kernelek és kernel által indukált hasonlósági metrikák
- Megerősítéses tanulás
3. NAP – MÉLY TANULÁS
Ez az 1. és 2. napon tárgyalt témákhoz kapcsolódóan kerül bemutatásra
- Logisztikus és Softmax regresszió
- Ritka autoenkóderek
- Vektorizáció, PCA és fehérítés
- Önálló tanulás
- Mély hálózatok
- Lineáris dekóderek
- Konvolúció és pooling
- Ritka kódolás
- Független komponensanalízis
- Kanonikus korrelációanalízis
- Demók és alkalmazások
Követelmények
Matematikai ismeretek jó szintű megértése.
Alapvető statisztikai ismeretek jó szintű megértése.
Alapvető programozási ismeretek nem szükségesek, de ajánlottak.
Vélemények (2)
Fókuszált munka az első elvekből indulva, majd ugyanabból a naptól esettanulmányok alkalmazásához való átmenet
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurzus - Artificial Neural Networks, Machine Learning, Deep Thinking
Gépi fordítás
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Kurzus - Artificial Neural Networks, Machine Learning, Deep Thinking
Gépi fordítás
