Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
- Översikt över neurala nätverk och djupinlärning
- Konceptet med Maskininlärning (ML)
- Varför behöver vi neurala nätverk och djupinlärning?
- Val av nätverk för olika problem och datatyper
- Inlärning och validering av neurala nätverk
- Jämförelse mellan logistisk regression och neurala nätverk
- Neurala nätverk
- Biologiska inspirationer till Neurala nätverk
- Neurala nätverk – Neuron, Perceptron och MLP (Multilayer Perceptron modell)
- Inlärning av MLP – backpropagation-algoritmen
- Aktiveringsfunktioner – linear, sigmoid, Tanh, Softmax
- Förlustfunktioner lämpliga för prognos och klassificering
- Parametrar – inlärningshastighet, regelbundenhet, rörelse
- Byggande av Neurala nätverk i Python
- Utvärdering av prestanda hos neurala nätverk i Python
- Grunderna i djupa nätverk
- Vad är djupinlärning?
- Arkitektur för djupa nätverk – Parametrar, Lager, Aktiveringsfunktioner, Förlustfunktioner, Lösare
- Restricted Boltzman Machines (RBMs)
- Autoencoders
- Arkitekturer för djupa nätverk
- Deep Belief Networks (DBN) – arkitektur, tillämpning
- Autoencoders
- Restricted Boltzmann Machines
- Convolutional Neural Network
- Recursive Neural Network
- Recurrent Neural Network
- Översikt över bibliotek och gränssnitt tillgängliga i Python
- Caffee
- Theano
- Tensorflow
- Keras
- Mxnet
- Val av lämpligt bibliotek för problemet
- Byggande av djupa nätverk i Python
- Val av lämplig arkitektur för givet problem
- Hybrida djupa nätverk
- Inlärning av nätverk – lämpligt bibliotek, arkitekturdefinition
- Justering av nätverk – initialisering, aktiveringsfunktioner, förlustfunktioner, optimering
- Undvikande av överanpassning – upptäckande av överanpassningsproblem i djupa nätverk, regelbundenhet
- Utvärdering av djupa nätverk
- Fallstudier i Python
- Bildigenkänning – CNN
- Upptäckande av avvikelser med Autoencoders
- Prognostisering av tidsserie med RNN
- Dimensionalitetsminskning med Autoencoder
- Klassificering med RBM
Krav
Kunskap/uppskattning av maskininlärning, systemarkitektur och programmeringsspråk är önskvärt
14 timmar
Vittnesmål (2)
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Kurs - Natural Language Processing with TensorFlow
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
