Kurzusleírás

    A neurális hálózatok és a mély tanulás áttekintése A gépi tanulás (ML) koncepciója Miért van szükségünk neurális hálózatokra és mély tanulásra? Hálózatok kiválasztása különböző problémákhoz és adattípusokhoz Neurális hálózatok tanulása és validálása Logisztikus regresszió összehasonlítása neurális hálózattal Neurális hálózat Biológiai inspirációk a neurális hálózathoz Neurális hálózatok – Neuron, Perceptron és MLP (Multlayer Perceptron modell) MLP tanulása – backpropagation algoritmus Aktiválási függvények – lineáris, szigmoid , Tanh, Softmax Az előrejelzéshez és osztályozáshoz megfelelő veszteségfüggvények Paraméterek – tanulási sebesség, regularizáció, lendület Neurális hálózatok építése a Python-ban Neurális hálózatok teljesítményének értékelése a Python-ban A mélyhálózatok alapjai Mi a mély tanulás? Mélyhálózatok architektúrája – Paraméterek, rétegek, aktiválási funkciók, veszteségfüggvények, megoldók Korlátozott Boltzman-gépek (RBM-ek) Autoencoders Mélyhálózati architektúrák Deep Belief Networks (DBN) – architektúra, alkalmazás Autoencoders Korlátozott Boltzmann gépek Konvolúciós Neurális Hálózat Áttekintés Recurrentive Neural Network Recurrented Neurális Hálózat könyvtárak és interfészek elérhetősége Python Caffee Theano Tensorflow Keras Mxnet A megfelelő könyvtár kiválasztása a problémához Mély hálózatok építése a Python-ban A megfelelő architektúra kiválasztása az adott problémához Hibrid mélyhálózatok Tanulási hálózat – megfelelő könyvtár, architektúra meghatározása Hálózat hangolása – inicializálás, aktiválási funkciók , veszteségfüggvények, optimalizálási módszer Túlillesztés elkerülése – túlillesztési problémák észlelése mély hálózatokban, szabályosítás Mély hálózatok kiértékelése Esettanulmányok a Python-ban Képfelismerés – CNN Anomáliák észlelése autoencoderekkel Idősorok előrejelzése RNN-nel Dimenziócsökkentés autoencoder osztályozással RBM-mel

 

Követelmények

A gépi tanulás, a rendszerarchitektúra és a programozási nyelvek ismerete/értékelése kívánatos

  14 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