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
Dag 1:
Grunnleggende Machine Learning
Modul-1
Introduksjon:
- Øvelse – Installere Python- og NN-biblioteker Hvorfor maskinlæring? Kort historie om maskinlæring Fremveksten av dyp læring Grunnleggende konsepter innen maskinlæring Visualisering av et klassifiseringsproblem Beslutningsgrenser og beslutningsregioner iPython notatbøker
Modul-2
- Øvelse – Beslutningsregioner Det kunstige nevronet Det nevrale nettverket, foroverforplantning og nettverkslag Aktiveringsfunksjoner Øvelse – Aktiveringsfunksjoner Tilbakepropagering av feil Undertilpasning og overtilpasning Interpolering og utjevning Ekstrapolering og dataabstraksjon Generalisering i maskinlæring
Modul-3
- Trening – Undertilpasning og overtilpasning Trenings-, test- og valideringssett Databias og det negative eksempelproblemet Bias/varians tradeoff Øvelse – Datasett og skjevhet
Modul-4
- Oversikt over NN-parametere og hyperparametre Logistiske regresjonsproblemer Kostnadsfunksjoner Eksempel – Regresjon Klassisk maskinlæring vs. dyp læring Konklusjon
Dag-2: Convolutional Neural Networks (CNN)
Modul-5
- Introduksjon til CNN Hva er CNN? Computer visjon CNN-er i hverdagen Bilder – piksler, kvantisering av farger og rom, RGB Convolution-ligninger og fysisk mening, kontinuerlig kontra diskret øvelse – 1D Convolution
Modul-6
- Teoretisk grunnlag for filtrering Signal som sum av sinusoider Frekvensspekter Båndpassfiltre Øvelse – Frekvensfiltrering 2D konvolusjonsfiltre Polstring og skrittlengde Filter som båndpass Filter som maltilpasning Øvelse – Edge Detection Gabor-filtre for lokalisert frekvensanalyse Øvelse – Gabor-filtre som lag 1-kart
Modul-7
- CNN-arkitektur Konvolusjonslag Maks pooling-lag Nedsamplingslag Rekursiv dataabstraksjon Eksempel på rekursiv abstraksjon
Modul-8
- Øvelse – Grunnleggende CNN-bruk ImageNet-datasettet og VGG-16-modellen Visualisering av funksjonskart Visualisering av funksjonsbetydninger Øvelse – Funksjonskart og funksjonsbetydninger
Dag-3: Sekvensmodell
Modul-9
- Hva er sekvensmodeller? Hvorfor sekvensmodeller? Brukscase for språkmodellering Sekvenser i tid vs. sekvenser i rom
Modul-10
- RNNs Gjentakende arkitektur Tilbakeforplantning gjennom tiden Forsvinnende gradienter GRU LSTM Deep RNN Toveis RNN-øvelse – Unidirectional vs. Toveis RNN Samplingsekvenser Sekvensutgangsprediksjon Øvelse – Sekvensutgangsprediksjon RNN-er på enkle tidsvarierende signaler Øvelse – Grunnleggende bølgeformdeteksjon
Modul-11
- Natural Language Processing (NLP) Word embeddings Word vektorer: word2vec Word vektorer: GloVe Kunnskapsoverføring og ordinnbygging Sentimentanalyse Øvelse – Sentimentanalyse
Modul-12
- Kvantifisere og fjerne skjevhet Øvelse – Fjerne skjevhet Lyddata Strålesøk Oppmerksomhetsmodell Talegjenkjenning Triggerorddeteksjonsøvelse – Speech Recognition
Krav
Det er ingen spesifikke krav for å delta på dette kurset.
21 timer