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
- Neural hálózatok és mélytanulás áttekintése
- A Machine Learning (ML) fogalma
- Miért szükségünk van neural hálózatokra és mélytanulásra?
- Hálózatok kiválasztása különböző problémákra és adat típusokra
- Neural hálózatok tanulása és validálása
- Logisztikus regresszió összehasonlítása neural hálózattal
- Neural háló
- Biológiai inspirációk neural hálózathoz
- Neural hálózatok – Neuron, Perceptron és MLP (Multilayer Perceptron modell)
- MLP tanulása – backpropagation algoritmus
- Aktivációs függvények – lineáris, sigmoid, Tanh, Softmax
- Veszteségfüggvények előrejelzéshez és osztályozáshoz
- Paraméterek – tanulási sebesség, regularizáció, momentum
- Neural hálózatok Pythonban történő létrehozása
- Neural hálózatok teljesítményének Pythonban történő értékelése
- Mély hálózatok alapjai
- Mi az a mélytanulás?
- Mély hálózatok architektúrája – paraméterek, rétegek, aktivációs függvények, veszteségfüggvények, megoldók
- Behatárolt Boltzmann-mátricek (RBMs)
- Autoencoder-ek
- Mély hálózatok architektúrái
- Mély hitélhálózatok (DBN) – architektúra, alkalmazás
- Autoencoder-ek
- Behatárolt Boltzmann-mátricek
- Konvolúciós Neural Háló
- Rekurzív Neural Háló
- Rekurzív Neural Háló
- Pythonban elérhető könyvtárak és felületek áttekintése
- Caffee
- Theano
- Tensorflow
- Keras
- Mxnet
- Alkalmazható könyvtár kiválasztása a problémához
- Mély hálózatok Pythonban történő létrehozása
- Alkalmazható architektúra kiválasztása az adott problémához
- Hibrid mély hálózatok
- Háló tanulása – alkalmas könyvtár, architektúra meghatározása
- Háló finomhangolása – inicializálás, aktivációs függvények, veszteségfüggvények, optimalizálási módszer
- Overfitting elkerülése – overfitting problémák kimutatása mély hálózatokban, regularizáció
- Mély hálózatok értékelése
- Pythonban történő esettanulmányok
- Képfelismerés – CNN
- Anomáliák kimutatása Autoencoder-ekkel
- Idősorozatok előrejelzése RNN-vel
- Dimenziócsökkentés Autoencoder-rel
- Osztályozás RBM-vel
Követelmények
A gépi tanulás, a rendszerarchitektúra és a programozási nyelvek ismerete/értékelése kívánatos
14 Órák
Vélemények (2)
A szervezet a javasolt napirend szerint, a tréner hatalmas tudása ezen a területen
Ali Kattan - TWPI
Kurzus - Natural Language Processing with TensorFlow
Gépi fordítás
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Kurzus - TensorFlow for Image Recognition
Gépi fordítás
