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
Kursen är uppdelad i tre separata dagar, varav den tredje är valfri.
Dag 1 - Machine Learning & Deep Learning: Teoretiska begrepp
1. Inledning IA, Machine Learning och Deep Learning
- Historia, grundläggande begrepp och vanliga tillämpningar av artificiell intelligens långt ifrån de fantasier som finns inom detta område
- Kollektiv intelligens: aggregera kunskap som delas av många virtuella agenter
- Genetiska algoritmer: utveckling av en population av virtuella agenter genom urval
- Machine Learning Vanligt: definition.
- Typer av uppgifter: övervakad inlärning, oövervakad inlärning, förstärkningsinlärning
- Typer av åtgärder: klassificering, regression, klustring, densitetsuppskattning, dimensionsreduktion
- Exempel på algoritmer Machine Learning: Linjär regression, Naive Bayes, Random Tree
- Maskininlärning VS Deep Learning: problem där Machine Learning fortfarande är den senaste tekniken idag (Random Forests & XGBoosts)
2. Grundläggande begrepp för ett neuralt nätverk (Tillämpning: flerskiktsperceptron)
- Påminnelse om matematiska grunder.
- Definition av ett neuralt nätverk: klassisk arkitektur, aktiverings- och viktningsfunktioner för tidigare aktiveringar, djup i ett nätverk
- Definition av träning av neurala nätverk: kostnadsfunktioner, back-propagation, stokastisk gradient descent, maximum likelihood.
- Modellering av ett neuralt nätverk: modellering av in- och utdata beroende på typ av problem (regression, klassificering, etc.). Dimensionalitetens förbannelse. Skillnad mellan multifunktionsdata och signal. Val av en kostnadsfunktion enligt data.
- Approximering av en funktion av ett neuralt nätverk: presentation och exempel
- Approximering av en distribution av ett neuralt nätverk: presentation och exempel
- Dataförstärkning: hur man balanserar en datauppsättning
- Generalisering av resultaten från ett neuralt nätverk.
- Initieringar och regulariseringar av ett neuralt nätverk: L1/L2-regularisering, batchnormalisering osv.
- Optimeringar och konvergensalgoritmer.
3. Vanliga ML/DL-verktyg
En enkel presentation med fördelar, nackdelar, position i ekosystemet och användning planeras.
- Verktyg för datahantering: Apache Spark, Apache Hadoop
- Vanliga verktyg Machine Learning: Numpy, Scipy, Sci-kit
- DL-ramverk på hög nivå: PyTorch, Keras, Lasagne
- DL-ramverk på låg nivå: Theano, Torch, Caffe, Tensorflow
Dag 2 - Faltningsnätverk och återkommande nätverk
4. Faltning Neural Networks (CNN).
- Presentation av CNN: grundläggande principer och tillämpningar
- Grundläggande funktion hos ett CNN: faltningslager, användning av en kärna, utfyllnad och steg, generering av funktionskartor, poolningslager. 1D-, 2D- och 3D-tillägg.
- Presentation av de olika CNN-arkitekturerna som har fört med sig den senaste tekniken inom bildklassificering: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentation av de innovationer som varje arkitektur medför och deras mer globala tillämpningar (1x1-faltning eller restanslutningar)
- Användning av en uppmärksamhetsmodell.
- Tillämpning på ett vanligt klassificeringsscenario (text eller bild)
- CNN för generation: superupplösning, pixel-till-pixel-segmentering. En översikt över de viktigaste strategierna för att öka funktionskartor för bildgenerering.
5. Återkommande Neural Networks (RNN).
- Presentation av RNN: grundläggande principer och tillämpningar.
- Hur RNN fungerar: dold aktivering, bakåtförökning genom tiden, utfälld version.
- Utveckling mot GRU (Gated Recurrent Units) och LSTM (Long Short Term Memory). Presentation av de olika tillstånden och den utveckling som dessa arkitekturer för med sig
- Konvergensproblem och gradient vanising
- Typer av klassiska arkitekturer: Prediktion av en tidsserie, klassificering etc.
- RNN Encoder Decoder-arkitektur. Användning av en uppmärksamhetsmodell.
- NLP-applikationer: ord-/teckenkodning, översättning.
- Videoappar: Förutse nästa genererade bildruta i en videosekvens.
Dag 3 - Generationsmodeller och Reinforcement Learning
6. Generationsmodeller: Variational AutoEncoder (VAE) och Generative Adversarial Networks (GAN).
- Presentation av generationsmodeller, koppling till CNN sett dag 2
- Automatisk kodare: minskning av dimensionalitet och begränsad generering
- Variational Auto-encoder: generationsmodell och approximation av fördelningen av en bit data. Definition och användning av latent utrymme. Knep för omparametrisering. Program och observerade begränsningar
- Generativa kontradiktoriska nätverk: Grunder. Tvågitterarkitektur (generator och diskriminator) med alternativ inlärning, kostnadsfunktioner tillgängliga.
- Konvergens av ett GAN-nätverk och svårigheter som uppstått.
- Förbättrad konvergens: Wasserstein GAN, BeGAN. Jordens rörliga avstånd.
- Applikationer för bild- eller fotogenerering, textgenerering, super-
resolution.
7. Djup Reinforcement Learning.
- Översikt över förstärkt inlärning: Styra en agent i en tillståndsdefinierad miljö och möjliga åtgärder
- Använda ett neuralt nätverk för att approximera tillståndsfunktionen
- Deep Q Learning: upplev omspelning och tillämpning på kontrollen av ett videospel.
- Optimeringar av inlärningspolicyn. On-policy och off-policy. Skådespelare kritiker arkitektur. A3C.
- Applikationer: styrning av ett enkelt videospel eller ett digitalt system.
Krav
Level ingénieur
21 timmar
