Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
1. NAP - MESTERSÉGES NEURÁLIS HÁLÓZATOK
Bevezetés és ANN szerkezet.
- Biológiai neuronok és mesterséges neuronok.
- Egy ANN modellje.
- Aktivációs függvények az ANN-ekben.
- Tipikus hálózati architektúrák osztályai.
Matematikai alapok és tanulási mechanizmusok.
- Visszatérve a vektor- és mátrixalgebrára.
- Állapottér fogalmak.
- Optimalizálási fogalmak.
- Hibajavításos tanulás.
- Memóriaalapú tanulás.
- Hebb-tanulás.
- Versengő tanulás.
Egyszerű rétegű perceptronok.
- Perceptronok szerkezete és tanulása.
- Mintafelismerő - bevezetés és Bayes-féle osztályozók.
- Perceptron mint mintafelismerő.
- Perceptron konvergencia.
- Perceptronok korlátai.
Előrecsatolt ANN.
- Többrétegű előrecsatolt hálózatok szerkezete.
- Hátramenet algoritmus.
- Hátramenet - képzés és konvergencia.
- Függvényközelítés hátramenettel.
- Gyakorlati és tervezési kérdések a hátramenet tanulásánál.
Radiális Bázis Függvény Hálózatok.
- Mintaelválasztás és interpoláció.
- Regularizációs elmélet.
- Regularizáció és RBF hálózatok.
- RBF hálózatok tervezése és képzése.
- RBF közelítési tulajdonságai.
Versengő tanulás és önszerveződő ANN.
- Általános klaszterezési eljárások.
- Learning Vector Quantization (LVQ).
- Versengő tanulási algoritmusok és architektúrák.
- Önszerveződő jellemző térképek.
- Jellemző térképek tulajdonságai.
Fuzzy Neurális Hálózatok.
- Neuro-fuzzy rendszerek.
- A fuzzy halmazok és logika háttere.
- Fuzzy rendszerek tervezése.
- Fuzzy ANN-ek tervezése.
Alkalmazások
- Néhány példa a Neurális Hálózatok alkalmazásaira, előnyeik és problémáik.
2. NAP - GÉPI TANULÁS
- A PAC tanulási keretrendszer
- Garanciák véges hipotézishalmazra – konzisztens eset
- Garanciák véges hipotézishalmazra – inkonzisztens eset
- Általános információk
- Determinisztikus vs. sztochasztikus forgatókönyvek
- Bayes hibajelleg
- Becslési és közelítési hibák
- Modellválasztás
- Radmeacher komplexitás és VC dimenzió
- Bias-variancia kompromisszum
- Regularizáció
- Túltanulás
- Validáció
- Támogató vektor gépek
- Kriging (Gauss-folyamat regresszió)
- PCA és Kernel PCA
- Önszerveződő térképek (SOM)
- Kernel által indukált vektortér
- Mercer kernerek és kernel által indukált hasonlósági metrikák
- Erősítéses tanulás
3. NAP - MÉLY TANULÁS
Ez az 1. és 2. napon tárgyalt témák kapcsán kerül bemutatásra.
- Logisztikus és Softmax regresszió
- Ritka Autoencoder-ek
- Vektorizálás, PCA és fehérítés
- Önálló tanulás
- Mély hálózatok
- Lineáris dekódolók
- Konvolúció és összesítés
- Ritka kódolás
- Független komponens analízis
- Kanonikus korrelációs analízis
- Demók és alkalmazások
Követelmények
Jó matematikai ismeretek.
Jó alapstatisztikai ismeretek.
Alapvető programozási ismeretek nem szükségesek, de ajánlottak.
21 Órák
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
