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
- Oversikt over nevrale nettverk og dyp læring Konseptet Machine Learning (ML) Hvorfor trenger vi nevrale nettverk og dyp læring? Velge nettverk til forskjellige problemer og datatyper Lære og validere nevrale nettverk Sammenligning av logistisk regresjon med nevralt nettverk Neuralt nettverk Biologiske inspirasjoner til nevrale nettverk Nevrale nettverk – Neuron, Perceptron og MLP (Multilayer Perceptron model) Lære MLP – tilbakepropageringsalgoritme Aktiveringsfunksjoner – lineær, sigmoid , Tanh, Softmax Tapsfunksjoner som passer til prognoser og klassifisering Parametere – læringshastighet, regularisering, momentum Bygge nevrale nettverk i Python Evaluere ytelsen til nevrale nettverk i Python Grunnleggende om dype nettverk Hva er dyp læring? Arkitektur av dype nettverk – parametre, lag, aktiveringsfunksjoner, tapsfunksjoner, løsere begrensede Boltzman-maskiner (RBM) Autoenkodere Deep Networks Architectures Deep Belief Networks (DBN) – arkitektur, applikasjon Autoenkodere Begrensede Boltzmann-maskiner Konvolusjonelt nevralt nettverk Rekursivt nevralt nettverk Rekursivt nevralt nettverk av biblioteker og grensesnitt tilgjengelig i Python Caffee Theano Tensorflow Keras Mxnet Velge passende bibliotek til problem Bygge dype nettverk i Python Velge passende arkitektur til gitt problem Hybride dype nettverk Læringsnettverk – passende bibliotek, arkitekturdefinisjon Tuning nettverk – initialisering, aktiveringsfunksjoner , tapsfunksjoner, optimaliseringsmetode Unngå overtilpasning – oppdage overtilpasningsproblemer i dype nettverk, regularisering Evaluering av dype nettverk Kasusstudier i Python Bildegjenkjenning – CNN Oppdage anomalier med autokodere Prognose tidsserier med RNN Dimensjonsreduksjon med autokoderklassifisering med RBM
Krav
Kunnskap/verdsetting av maskinlæring, systemarkitektur og programmeringsspråk er ønskelig
14 timer
