Kurzusleírás

1. NAP – MESTERSÉGES NEURÁLIS HÁLÓZATOK

Bevezetés és az ANN szerkezete.

    Biologikai neuronok és mesterséges neuronok. Egy ANN modellje. Az ANN-okban használt aktiválási funkciók. A hálózati architektúrák tipikus osztályai.

Mathematical Alapok és tanulási mechanizmusok.

    A vektor- és mátrixalgebra újralátogatása. Állapottér fogalmak. Az optimalizálás fogalmai. Hibajavító tanulás. Memória alapú tanulás. Hebbi tanulás. Versenyképes tanulás.

Egyrétegű perceptronok.

    Perceptronok felépítése és tanulása. Mintaosztályozó - bevezetés és Bayes osztályozói. Perceptron mint mintaosztályozó. Perceptron konvergencia. A perceptronok korlátai.

Feedforward ANN.

    Többrétegű előrecsatolt hálózatok struktúrái. Visszaterjedési algoritmus. Visszaterjesztés - képzés és konvergencia. Funkcionális közelítés visszafelé terjedéssel. A hátsó szaporítási tanulás gyakorlati és tervezési kérdései.

Radial Basis Function Networks.

    A minták szétválaszthatósága és interpolációja. Regularizációs elmélet. Rendszeresítés és RBF hálózatok. RBF hálózat tervezés és oktatás. Az RBF közelítő tulajdonságai.

Versenyképes tanulás és önszerveződő ANN.

    Általános klaszterezési eljárások. Learning Vector Quantization (LVQ). Versenyképes tanulási algoritmusok és architektúrák. Önszerveződő tereptérképek. A tereptérképek tulajdonságai.

Fuzzy Neural Networks.

    Neuro-fuzzy rendszerek. A fuzzy halmazok és a logika háttere. Elmosódott szárak kialakítása. Fuzzy ANN-ok tervezése.

Alkalmazások

    Néhány példa a neurális hálózati alkalmazásokra, azok előnyeire és problémáira.

-2. NAP GÉPI TANULÁS

    A PAC Learning Framework Garanciák véges hipotézishalmazra – konzisztens eset Garanciák véges hipotézishalmazra – inkonzisztens eset Általánosságok Determinisztikus cv. Sztochasztikus forgatókönyvek Bayes hibazaj Becslési és közelítési hibák Modellválasztás
Radmeacher komplexitás és VC – dimenzióElfogultság – Variancia kompromisszum
  • Szabályozás
  • Túlillesztés
  • Érvényesítés
  • Támogatja a vektoros gépeket
  • Kriging (Gauss-folyamat regresszió)
  • PCA és kernel PCA
  • Önszervezési térképek (SOM)
  • Kernel által indukált vektortér Mercer Kernelek és Kernel - indukált hasonlósági metrikák
  • Reinforcement Learning
  • 3. NAP – MÉLY TANULÁS
  • Ezt az 1. és 2. napon tárgyalt témákhoz kapcsolódóan tanítjuk
  • Logisztikai és Softmax regressziós ritka autoenkóderek Vektorizálás, PCA és fehérítés Autodidakta tanulás Mély hálózatok Lineáris dekóderek Konvolúció és összevonás Ritka kódolás Független komponenselemzés Kanonikus korrelációelemzés demók és alkalmazások
  • Követelmények

    A matematika jó megértése.

    Goaz alapvető statisztikák megértése.

    Alapvető programozási ismeretek nem szükségesek, de ajánlottak.

      21 Hours
     

    Résztvevők száma


    Tanfolyam kezdete

    Tanfolyam vége


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Vélemények (2)

    Rokon tanfolyam

    Rokon kategóriák