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

Antal deltagare


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Relaterade Kurser

Relaterade Kategorier