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
1. NAP – MESTERSÉGES NEURÁLIS HÁLÓZATOK
Bevezetés és az ANN szerkezete.
- Biologikai neuronok és mesterséges neuronok.
- Egy ANN modellje.
- Az ANN-okban használt aktiválási funkciók.
- A hálózati architektúrák tipikus osztályai.
Mathematical Alapok és tanulási mechanizmusok.
- A vektor- és mátrixalgebra újralátogatása.
- Állapottér fogalmak.
- Az optimalizálás fogalmai.
- Hibajavító tanulás.
- Memória alapú tanulás.
- Hebbi tanulás.
- Versenyképes tanulás.
Egyrétegű perceptronok.
- Perceptronok felépítése és tanulása.
- Mintaosztályozó - bevezetés és Bayes osztályozói.
- Perceptron mint mintaosztályozó.
- Perceptron konvergencia.
- A perceptronok korlátai.
Feedforward ANN.
- Többrétegű előrecsatolt hálózatok struktúrái.
- Visszaterjedési algoritmus.
- Vissza szaporítás - képzés és konvergencia.
- Funkcionális közelítés visszafelé terjedéssel.
- A hátsó szaporítási tanulás gyakorlati és tervezési kérdései.
Radial Basis Function Networks.
- A minták szétválaszthatósága és interpolációja.
- Regularizációs elmélet.
- Rendszeresítés és RBF hálózatok.
- RBF hálózat tervezés és oktatás.
- Az RBF közelítő tulajdonságai.
Versenyképes tanulás és önszerveződő ANN.
- Általános klaszterezési eljárások.
- Learning Vector Quantization (LVQ).
- Versenyképes tanulási algoritmusok és architektúrák.
- Önszerveződő tereptérképek.
- A tereptérképek tulajdonságai.
Fuzzy Neural Networks.
- Neuro-fuzzy rendszerek.
- A fuzzy halmazok és a logika háttere.
- Elmosódott szárak kialakítása.
- Fuzzy ANN-ok tervezése.
Alkalmazások
- Néhány példa a neurális hálózati alkalmazásokra, azok előnyeire és problémáira.
-2. NAP GÉPI TANULÁS
- A PAC tanulási keretrendszer
- A véges hipotéziskészlet garanciái – konzisztens eset
- A véges hipotéziskészlet garanciái – inkonzisztens eset
- Általánosságok
- Determinisztikus cv. Sztochasztikus forgatókönyvek
- Bayes hibazaj
- Becslési és közelítési hibák
- Modell kiválasztása
- Radmeacher komplexitás és VC – dimenzió
- Elfogultság – Variancia kompromisszum
- Szabályozás
- Túlillesztés
- Érvényesítés
- Támogatja a vektoros gépeket
- Kriging (Gauss-folyamat regresszió)
- PCA és kernel PCA
- Önszervezési térképek (SOM)
- Kernel által indukált vektortér
- Mercer Kernelek és Kernel – indukált hasonlósági mérőszámok
- Reinforcement Learning
3. NAP – MÉLY TANULÁS
Ezt az 1. és 2. napon tárgyalt témákhoz kapcsolódóan tanítjuk
- Logisztikai és Softmax regresszió
- Ritka automatikus kódolók
- Vektorizálás, PCA és fehérítés
- Autodidakta tanulás
- Mély hálózatok
- Lineáris dekóderek
- Konvolúció és összevonás
- Ritka kódolás
- Független komponenselemzés
- Kanonikus korrelációelemzés
- Demók és alkalmazások
Követelmények
Go a matematika megértése.
Goaz alapvető statisztikák megértése.
Alapvető programozási ismeretek nem szükségesek, de ajánlottak.
21 Órák
Vélemények (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurzus - Artificial Neural Networks, Machine Learning, Deep Thinking
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
