Kursplan
DAG 1 - ARTIFICIELLA NEURALNÄTVERK
Introduktion och struktur för ANN.
- Biologiska neuroner och artificiella neuroner.
- Modell av ett ANN.
- Aktiveringsfunktioner som används i ANN.
- Typiska klasser av nätverksarkitekturer.
Mathematiske grunder og læremekanismer.
- Nygång i vektor- och matrisalgebra.
- State-space-koncept.
- Optimeringskoncept.
- Felskorrigeringslärande.
- Minnestbaserat lärande.
- Hebbianskt lärande.
- Konkurrensinriktat lärande.
Enskilda lager perceptroner.
- Struktur och lärande av perceptroner.
- Mönsterklassificerare – introduction och Bayes klassificerare.
- Perceptron som mönsterklassificerare.
- Perceptronkonvergens.
- Begränsningar hos perceptroner.
Feedforward ANN.
- Strukturer för flerlager feedforward-nätverk.
- Backpropagation-algoritmen.
- Backpropagation – träning och konvergens.
- Funktionsapproximering med backpropagation.
- Praktiska och designrelaterade frågor kring backpropagation-lärande.
Radiala basfunktion-nätverk.
- Mönsterseparabilitet och interpolation.
- Regulariseringsteori.
- Regularisering och RBF-nätverk.
- Design och träning av RBF-nätverk.
- Approximeringsegenskaper hos RBF.
Konkurrensinriktat lärande och självorganiserande ANN.
- Allmänna klusteringsförfaranden.
- Lärande vektor kvantisering (LVQ).
- Konkurrensinriktade läralgoritmer och arkitekturer.
- Självorganiserande egenskap-kartor.
- Egenskaper hos egenskapskartor.
Fuzzy neuralnätverk.
- Neuro-fuzzy system.
- Bakgrund till fuzzy-mängder och logik.
- Design av fuzzy system.
- Design av fuzzy ANN.
Tillämpningar
- Några exempel på neuralnätverkstillämpningar, deras fördelar och problem, kommer att diskuteras.
DAG 2 - MASKININLÄRNING
- PAC-läringsramverket
- Garantier för ändlig hypotesmängd – konsistent fall
- Garantier för ändlig hypotesmängd – inkonsistent fall
- Allmänheter
- Deterministiska mot stokastiska scenarier
- Bayes-felsbrus
- Estimerings- och approximationsfel
- Modellval
- Rademacher-komplexitet och VC-dimension
- Bias-varians-kompromiss
- Regularisering
- Överanpassning
- Validering
- Stödvektormaskiner
- Kriging (Gaussisk process regression)
- PCA och Kernelpca
- Självorganiserande kartor (SOM)
- Kärninducerad vektorrum
- Mercer-kärnor och kärninducerade likhetsmått
- Förstärkande lärande
DAG 3 - DJUPINLÄRNING
Detta kommer att läras ut i relation till ämnena som behandlades på dag 1 och dag 2
- Logistisk regression och Softmax regression
- Sparsa autoenkodare
- Vektorisering, PCA och vitning
- Självundervisande lärande
- Djupa nätverk
- Linjära avkodare
- Konvolution och poolning
- Sparse coding
- Oberoende komponentanalys
- Kanonical korrelationsanalys
- Demor och tillämpningar
Krav
God förståelse för matematik.
God förståelse för grundläggande statistik.
Grundläggande programmeringskunskaper krävs ej men rekommenderas.
Vittnesmål (2)
Att arbeta från grunderna på ett fokuserat sätt och övergå till att tillämpa fallstudier samma dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskintolkat
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.
Jonathan Blease
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskintolkat
