Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Dag 1:
Grundläggande Machine Learning
Modul-1
Introduktion:
- Övning – Installera Python och NN bibliotek
- Varför maskininlärning?
- Kort historia om maskininlärning
- Uppkomsten av djupinlärning
- Grundläggande begrepp inom maskininlärning
- Visualisera ett klassificeringsproblem
- Beslutsgränser och beslutsregioner
- iPython anteckningsböcker
Modul-2
- Övning – Beslutsregioner
- Den konstgjorda neuronen
- Det neurala nätverket, framåtriktad utbredning och nätverkslager
- Aktiveringsfunktioner
- Träning – Aktiveringsfunktioner
- Återförökning av fel
- Underpassning och övermontering
- Interpolering och utjämning
- Extrapolering och dataabstraktion
- Generalisering i maskininlärning
Modul-3
- Träning – Underfitting och Overfitting
- Utbildnings-, test- och valideringsset
- Databias och det negativa exempelproblemet
- Avvägning mellan partiskhet/varians
- Övning – Datauppsättningar och Bias
Modul-4
- Översikt över NN-parametrar och hyperparametrar
- Logistiska regressionsproblem
- Kostnadsfunktioner
- Exempel – Regression
- Klassisk maskininlärning kontra djupinlärning
- Slutsats
Dag-2: Convolutional Neural Networks (CNN)
Modul-5
- Introduktion till CNN
- Vad är CNN?
- Computer vision
- CNN i vardagen
- Bilder – pixlar, kvantisering av färg & rymd, RGB
- Konvolutionsekvationer och fysisk betydelse, kontinuerlig vs. diskret
- Övning – 1D Convolution
Modul-6
- Teoretisk grund för filtrering
- Signal som summan av sinusoider
- Frekvensspektrum
- Bandpassfilter
- Träning – Frekvensfiltrering
- 2D faltningsfilter
- Vaddering och steglängd
- Filtrera som bandpass
- Filtrera som mallmatchning
- Träning – Kantdetektering
- Gabor-filter för lokaliserad frekvensanalys
- Övning – Gabor-filter som lager 1-kartor
Modul-7
- CNN arkitektur
- Konvolutionerande lager
- Max poollager
- Nedsampling av lager
- Rekursiv dataabstraktion
- Exempel på rekursiv abstraktion
Modul-8
- Träning – grundläggande CNN-användning
- ImageNet dataset och VGG-16-modellen
- Visualisering av funktionskartor
- Visualisering av egenskapens betydelser
- Övning – Funktionskartor och funktionsinnebörd
Dag-3: Sekvensmodell
Modul-9
- Vad är sekvensmodeller?
- Varför sekvensmodeller?
- Användningsfall för språkmodellering
- Sekvenser i tid kontra sekvenser i rymden
Modul-10
- RNNs
- Återkommande arkitektur
- Återförökning genom tiden
- Försvinnande gradienter
- GRU
- LSTM
- Djup RNN
- Dubbelriktad RNN
- Övning – Enkelriktad vs. dubbelriktad RNN
- Samplingssekvenser
- Förutsägelse av sekvensutgång
- Övning – Förutsägelse av sekvensutgång
- RNNs på enkla tidsvarierande signaler
- Träning – Grundläggande vågformsdetektion
Modul-11
- Natural Language Processing (NLP)
- Word inbäddningar
- Word vektorer: word2vec
- Word vektorer: GloVe
- Kunskapsöverföring och ordinbäddningar
- Sentimentanalys
- Övning – Sentiment Analysis
Modul-12
- Kvantifiera och ta bort partiskhet
- Träning – Ta bort bias
- Ljuddata
- Strålsökning
- Uppmärksamhet modell
- Taligenkänning
- Utlösa orddetektering
- Övning – Speech Recognition
Krav
Det finns inga specifika krav som krävs för att gå denna kurs.
21 timmar