Thank you for sending your enquiry! One of our team member will contact you shortly.
Thank you for sending your booking! One of our team member will contact you shortly.
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