Kursplan
DAG 1 - KUNSTIGE NEYRALE NETT
Innføring og struktur for ANN.
- Biologiske nøyroner og kunstige nøyroner.
- Modell for et ANN.
- Aktiveringsfunksjoner som brukes i ANNs.
- Typiske klasser av nettverksarkitekturer.
Matematiske grunner og læringsmekanismer.
- Gjennomgang av vektor- og matriseregning.
- Statrom-konsepter.
- Konsepter om optimalisering.
- Feilkorrekturlæring.
- Minnebaseret læring.
- Hebbian læring.
- Konkurranselæring.
Enlags perceptroner.
- Struktur og læring av perceptroner.
- Mønsterklassifisering - innføring og Bayes-klassifisere.
- Perceptron som mønsterklassifiserer.
- Perceptron-konvergens.
- Begrensninger for en perceptron.
Feedforward ANN.
- Strukturer for flerlags feedforward-nett.
- Backpropagasjonsalgoritme.
- Backpropagasjon - trening og konvergens.
- Funksjonsapproximasjon med backpropagasjon.
- Praktiske og designmessige spørsmål ved backpropagasjonslæring.
Radiale basisfunksjonsnett.
- Mønstersepabilitasitet og interpolasjon.
- Regulariseringsteori.
- Regularisering og RBF-nett.
- Design og trening av RBF-nett.
- Approximasjonsegenskaper ved RBF.
Konkurranselæring og selvorganiserende ANN.
- Generelle klyngeprosedyrer.
- Læringsvektorquantisering (LVQ).
- Konkurranselæringsalgoritmer og arkitekturer.
- Selforganiserende funksjonskart.
- Egenskaper ved funksjonskart.
Uskarpe nøyrale nett.
- Neuro-uzzy-systemer.
- Bakgrunn for uskarpe mengder og logikk.
- Design av uskarpe systemer.
- Design av uskarpe ANNs.
Applikasjoner
- Enkelte eksempler på nøyralnett-applikasjoner, deres fordeler og problemer, vil bli drøftet.
DAG 2 - MASKINLÆRING
- Det PAC-læringsrammeverk
- Garantier for endelig hypotesemengde – konsistensfall
- Garantier for endelig hypotesemengde – inkonsistensfall
- Generalitet
- Deterministiske vs. stokastiske scenarier
- Bayes-feilstøy
- Estimerings- og approximasjonsfeil
- Modellvalg
- Radmæcher-kompleksitet og VC-dimensjon
- Skjevhet - variasjonsavveksling
- Regularisering
- Overfitting
- Validering
- Støttvektormaskiner
- Kriging (Gaussisk prosessregresjon)
- PCA og Kjerne-PCA
- Selforganiserende kart (SOM)
- Kjerneindusert vektorrom
- Mercer-kjerner og kjerneinduserte likhetsmetriker
- Betingslæring
DAG 3 - DYBDELEARING
Dette vil bli undervist i forhold til emnene som er behandlet på dag 1 og dag 2
- Logistisk og Softmax-regresjon
- Spars Autoenkodere
- Vektorisering, PCA og hvitting
- Selflært læring
- Dype nettverk
- Lineære dekoderer
- Konvolusjon og pooling
- Spars koding
- Uavhengig komponentanalyse
- Kanonisk korrelasjonsanalyse
- Demos og applikasjoner
Krav
God forståelse av matematikk.
God forståelse av grunnleggende statistikk.
Grunnleggende programmeringsferdigheter er ikke et krav, men anbefales.
Referanser (2)
Å jobbe ut fra grunnleggende prinsipper på en konsernet måte, og gå over til å anvende kasusstudier samme dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskinoversatt
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskinoversatt
