Kurzusleírás

1. nap:

Alap Machine Learning

Modul-1

Bevezetés:

  • Gyakorlat – Python és NN könyvtárak telepítése
  • Miért a gépi tanulás?
  • A gépi tanulás rövid története
  • A mély tanulás térnyerése
  • Alapfogalmak a gépi tanulásban
  • Osztályozási probléma megjelenítése
  • Döntési határok és döntési régiók
  • iPython notebookok

Modul-2

  • Gyakorlat – Döntési régiók
  • A mesterséges neuron
  • A neurális hálózat, az előrehaladás és a hálózati rétegek
  • Aktiválási funkciók
  • Gyakorlat – Aktiválási funkciók
  • A hiba visszaszaporítása
  • Alul- és túlillesztés
  • Interpoláció és simítás
  • Extrapoláció és adatabsztrakció
  • Általánosítás a gépi tanulásban

Modul-3

  • Gyakorlat – Alulfitting és Túlfitt
  • Képzési, tesztelési és érvényesítési készletek
  • Az adatok torzítása és a negatív példa probléma
  • Elfogultság/szórás kompromisszum
  • Gyakorlat – Adatkészletek és torzítás

Modul-4

  • Az NN paraméterek és hiperparaméterek áttekintése
  • Logisztikai regressziós problémák
  • Költségfüggvények
  • Példa – Regresszió
  • Klasszikus gépi tanulás kontra mély tanulás
  • Következtetés

2. nap: Konvolúciós Neural Networks (CNN)

Modul-5

  • Bevezetés a CNN-be
  • Mik azok a CNN-ek?
  • Computer látás
  • CNN-ek a mindennapi életben
  • Képek – pixelek, a színek és a tér kvantálása, RGB
  • Konvolúciós egyenletek és fizikai jelentés, folytonos vs. diszkrét
  • Gyakorlat – 1D konvolúció

Modul-6

  • A szűrés elméleti alapjai
  • Jel a szinuszosok összegeként
  • Frekvencia spektrum
  • Sáváteresztő szűrők
  • Gyakorlat – Frekvenciaszűrés
  • 2D konvolúciós szűrők
  • Bélés és lépéshossz
  • Szűrés sáváteresztőként
  • Szűrés sablonegyeztetésként
  • Gyakorlat – Élérzékelés
  • Gabor szűrők lokalizált frekvenciaelemzéshez
  • Gyakorlat – Gabor Filters as Layer 1 Maps

Modul-7

  • CNN architektúra
  • Konvolúciós rétegek
  • Max pooling rétegek
  • Rétegek mintavételezése
  • Rekurzív adatabsztrakció
  • Példa a rekurzív absztrakcióra

Modul-8

  • Gyakorlat – Alapvető CNN-használat
  • ImageNet adatkészlet és a VGG-16 modell
  • Területtérképek megjelenítése
  • Jellemző jelentéseinek megjelenítése
  • Gyakorlat – Jellemzőtérképek és jellemzők jelentése

3. nap: Sorozatmodell

Modul-9

  • Mik azok a sorozatmodellek?
  • Miért szekvenciamodellek?
  • Nyelvmodellezés használati esete
  • Sorozatok az időben vs. sorozatok a térben

Modul-10

  • RNN-ek
  • Visszatérő építészet
  • Visszaterjesztés az időben
  • Eltűnő színátmenetek
  • GRU
  • LSTM
  • Mély RNN
  • Kétirányú RNN
  • Gyakorlat – Egyirányú vs. kétirányú RNN
  • Mintavételi sorozatok
  • Sorozat kimenet előrejelzése
  • Gyakorlat – Sequence Output Prediction
  • RNN-ek egyszerű időben változó jeleken
  • Gyakorlat – Alapvető hullámforma-észlelés

Modul-11

  • Natural Language Processing (NLP)
  • Word beágyazások
  • Word vektorok: word2vec
  • Word vektorok: GloVe
  • Tudásátadás és szóbeágyazás
  • Érzelemelemzés
  • Gyakorlat – Sentiment Analysis

Modul-12

  • Az elfogultság számszerűsítése és eltávolítása
  • Gyakorlat – Elfogultság eltávolítása
  • Hangadatok
  • Sugárkeresés
  • Figyelem modell
  • Beszédfelismerés
  • Kiváltó szó észlelése
  • Gyakorlat – Speech Recognition

Követelmények

A tanfolyamon való részvételhez nincs szükség speciális követelményekre.

  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.

Rokon tanfolyam

Rokon kategóriák