Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
- Oversikt over neuronale nettverk og dyp lærings
- Konseptet med Maskinlæring (ML)
- Hvorfor trenger vi neuronale nettverk og dyp lærings?
- Å velge nettverk for ulike problemer og data typer
- Å lære og validere neuronale nettverk
- Å sammenligne logistisk regresjon med neuronale nettverk
- Neuronale nettverk
- Biologiske inspirasjoner til Neuronale nettverk
- Neuronale nettverk – Neuron, Perceptron og MLP (Multilayer Perceptron model)
- Å lære MLP – backpropagation algoritme
- Aktiveringsfunksjoner – linear, sigmoid, Tanh, Softmax
- Tapfunksjoner egnet for forutseing og klassifisering
- Parametere – læringsrate, regulering, moment
- Å bygge Neuronale nettverk i Python
- Å vurdere ytelse av neuronale nettverk i Python
- Grunnleggende om dype nettverk
- Hva er dyp lærings?
- Arkitektur av dype nettverk – Parametere, Layers, Aktiveringsfunksjoner, Tapfunksjoner, Solvers
- Restricted Boltzmann Machines (RBMs)
- Autoencoders
- Arkitekturer for dype nettverk
- Deep Belief Networks (DBN) – arkitektur, applikasjon
- Autoencoders
- Restricted Boltzmann Machines
- Convolutional Neural Network
- Recursive Neural Network
- Recurrent Neural Network
- Oversikt over biblioteker og grensesnitt tilgjengelig i Python
- Caffee
- Theano
- Tensorflow
- Keras
- Mxnet
- Å velge egnet bibliotek til problem
- Å bygge dype nettverk i Python
- Å velge egnet arkitektur for gitt problem
- Hybrid dype nettverk
- Å lære nettverk – egnet bibliotek, arkitektur definisjon
- Å justere nettverk – initialisering, aktiveringsfunksjoner, tapfunksjoner, optimaliseringsmetode
- Å unngå overtilpasning – oppdage overtilpasningsproblemer i dype nettverk, regulering
- Å vurdere dype nettverk
- Eksempelstudier i Python
- Bildegjenkjenning – CNN
- Å oppdage anomalier med Autoencoders
- Å forutse tidsrekker med RNN
- Dimensjonalitet reduksjon med Autoencoder
- Klassifisering med RBM
Krav
Kunnskap/verdsetting av maskinlæring, systemarkitektur og programmeringsspråk er ønskelig
14 timer
Referanser (2)
Organisasjonen, som følger det foreslåtte dagsordenen, instruktørens vaste kunnskap om dette emnet
Ali Kattan - TWPI
Kurs - Natural Language Processing with TensorFlow
Maskinoversatt
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Kurs - TensorFlow for Image Recognition
Maskinoversatt
