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
- Översikt över neurala nätverk och djupinlärning Begreppet maskininlärning (ML) Varför behöver vi neurala nätverk och djupinlärning? Välja nätverk för olika problem och datatyper Inlärning och validering av neurala nätverk Jämför logistisk regression med neurala nätverk Neurala nätverk Biologiska inspirationer till neurala nätverk Neurala nätverk – Neuron, Perceptron och MLP(Multilayer Perceptron model) Inlärning av MLP – backpropagation algoritm Aktiveringsfunktioner – linjär, sigmoid , Tanh, Softmax Förlustfunktioner lämpliga för prognoser och klassificering Parametrar – inlärningshastighet, regularisering, momentum Bygga neurala nätverk i Python Utvärdera neurala nätverks prestanda i Python Grunderna i djupa nätverk Vad är djupinlärning? Arkitektur för djupa nätverk – parametrar, lager, aktiveringsfunktioner, förlustfunktioner, lösare Begränsade Boltzman-maskiner (RBM) Autokodare Deep Networks Architectures Deep Belief Networks (DBN) – arkitektur, applikation Autokodare Begränsade Boltzmann-maskiner Konvolutionellt neuralt nätverk Rekursivt neuralt nätverk Rekursivt neuralt nätverk av bibliotek och gränssnitt tillgängliga i Python Caffee Theano Tensorflow Keras Mxnet Välja lämpligt bibliotek till problem Bygga djupa nätverk i Python Välja lämplig arkitektur för givet problem Hybrid djupa nätverk Lärande nätverk – lämpligt bibliotek, arkitekturdefinition Tuning nätverk – initiering, aktiveringsfunktioner , förlustfunktioner, optimeringsmetod Undvika överanpassning – upptäcka överanpassningsproblem i djupa nätverk, regularisering Utvärdera djupa nätverk Fallstudier i Python Bildigenkänning – CNN Upptäcka anomalier med autokodare Prognostisera tidsserier med RNN Dimensionalitetsreduktion med Autoencoder Classification with RBM
Krav
Kunskap/uppskattning av maskininlärning, systemarkitektur och programmeringsspråk är önskvärt
14 timmar