Kurzusleírás

A tanfolyam három különálló napra oszlik, a harmadik szabadon választható.

1. nap – Machine Learning & Deep Learning: elméleti fogalmak

1. Bevezetés IA, Machine Learning & Deep Learning

- A mesterséges intelligencia története, alapfogalmai és szokásos alkalmazásai távol állnak a terület fantáziáitól

- Kollektív intelligencia: számos virtuális ügynök által megosztott összesített tudás

- Genetikai algoritmusok: virtuális ágensek populációjának fejlesztése szelekcióval

- Machine Learning szokásos: meghatározás.

- De tâches típusai: felügyelt tanulás, felügyelet nélküli tanulás, megerősítéses tanulás

- A cselekvés típusai: osztályozás, regresszió, klaszterezés, sűrűségbecslés, dimenziócsökkentés

- Példák az algoritmusokra Machine Learning: Lineáris regresszió, Naive Bayes, Random Tree

- Gépi tanulás VS Deep Learning: olyan problémák, amelyekre a gépi tanulás ma is a legkorszerűbb (Random Forests & XGBoosts)

2. A neurális hálózat alapfogalmai (Alkalmazás: többrétegű perceptron)

- Emlékeztető a matematikai alapokra.

- Neurális hálózat definíciója: klasszikus architektúra, korábbi aktiválások aktiválási és súlyozási funkciói, hálózat mélysége

- Neurális háló tanulásának definíciója: költségfüggvények, visszaszaporodás, sztochasztikus gradiens süllyedés, maximum likelihood.

- Neurális hálózat modellezése: bemeneti és kimeneti adatok modellezése a probléma típusa szerint (regresszió, osztályozás stb.). A dimenzionalitás átka. Különbség a többfunkciós adatok és a jel között. Költségfüggvény kiválasztása az adatok alapján.

- Függvény közelítése neurális hálózat segítségével: bemutatás és példák

- Eloszlás közelítése neurális hálózat segítségével: bemutatás és példák

- Adatbővítés: hogyan lehet egyensúlyozni egy adatkészletet

- Neurális hálózat eredményeinek általánosítása.

- Neurális hálózat inicializálásai és regularizálásai: L1/L2 regularizálás, Batch normalizálás...

- Optimalizálások és konvergencia algoritmusok.

3. Általános ML/DL eszközök

Egy egyszerű bemutatót tervezünk az előnyökkel, hátrányokkal, az ökoszisztémában elfoglalt pozícióval és felhasználással.

- Adatkezelő eszközök: Apache Spark, Apache Hadoop

- Szokásos eszközök Machine Learning: Numpy, Scipy, Sci-kit

- Frameworks DL mai szint: PyTorch, Keras, Lasagne

- Alacsony szintű DL keretrendszerek: Theano, Torch, Caffe, Tensorflow

 

2. nap – Konvolúciós és visszatérő hálózatok

4. Konvolúciós Neural Networks (CNN).

- CNN-ek bemutatása: alapelvek és alkalmazások

- A CNN alapvető működése: konvolúciós réteg, kernel használata, padding & stride, jellemzőtérképek generálása, 'pooling' típusú rétegek. 1D, 2D és 3D bővítmények.

- A különböző CNN architektúrák bemutatása, amelyek a legkorszerűbb képosztályozást hozták: LeNet, VGG Networks, Network in Network, Inception, Resnet. Az egyes architektúrák által hozott innovációk és globálisabb alkalmazásaik bemutatása (1x1 konvolúciós vagy maradék kapcsolatok)

- Figyelemmodell használata.

- Alkalmazás egy szokásos osztályozási forgatókönyvhöz (szöveg vagy kép)

- CNN-ek generáláshoz: szuperfelbontás, pixelenkénti szegmentálás. A kép létrehozásához szükséges jellemzőtérképek bővítésének főbb stratégiáinak bemutatása.

5. Ismétlődő Neural Networks (RNN).

- RNN-ek bemutatása: alapelvek és alkalmazások.

- Fonctionnement fondamental du RNN: rejtett aktiválás, időben visszafelé terjedés, kibontott változat.

- Fejlesztések a GRU (Gated Recurrent Units) és az LSTM (Long Short Term Memory) felé. A különböző állapotok és az ezen architektúrák által előidézett fejlesztések bemutatása

- Konvergencia és eltűnő gradiens problémák

- A klasszikus architektúrák típusai: Idősor előrejelzése, osztályozás...

- RNN Encoder Dekóder típusú architektúra. Figyelemmodell használata.

- Alkalmazások NLP: szó/karakter kódolás, tradukció.

- Videó alkalmazások: a videó sorozat következő generált képének előrejelzése.

 

3. nap – Generációs modellek és Reinforcement Learning

6. Generációs modellek: Variational AutoEncoder (VAE) és Generative Adversarial Networks (GAN).

- Generációs modellek bemutatása, kapcsolat a 2. napon látható CNN-ekkel

- Automatikus kódolás: méretcsökkentés és korlátozott generálás

- Variational Auto-encoder: generációs modell és az adatok eloszlásának közelítése. A látens tér meghatározása és használata. Újraparaméterezési trükk. Alkalmazások és betartott határértékek

- Generatív ellenséges hálózatok: alapelvek. Kéthálózati architektúra (generátor és diszkriminátor) váltakozó tanulással, költségfüggvényekkel.

- A GAN konvergenciája és a felmerült nehézségek.

- Továbbfejlesztett konvergencia: Wasserstein GAN, BeGAN. Földmozgási távolság.

- Alkalmazások képek vagy fényképek generálására, szöveg generálására, szuper felbontás.

7. Mély Reinforcement Learning.

- Megerősítő tanulás bemutatása: egy ágens irányítása egy állapot és lehetséges cselekvések által meghatározott környezetben

- Neurális hálózat használata az állapotfüggvény közelítésére

- Deep Q Learning: megtapasztalhatja az újrajátszást és alkalmazást a videojátékok vezérlésére.

- A tanulási politika optimalizálása. Szabályzaton belüli és irányelven kívüli. Színészkritikai architektúra. A3C.

- Alkalmazások: egyszerű videojáték vagy digitális rendszer vezérlése.

Követelmények

Mérnöki szint

  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