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 (1)
Träningen var välorganiserad och noggrant planerad, och jag kom ut ur den med systematisk kunskap och en god översikt av de ämnen vi behandlade.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maskintolkat
