Plan Szkolenia
DZIEŃ 1 - SZTUCZNE SIECI NEURONOWE
Wprowadzenie i struktura SNN.
- Neurony biologiczne i sztuczne.
- Model SNN.
- Funkcje aktywacji stosowane w SNN.
- Typowe klasy architektur sieci.
Podstawy matematyczne i mechanizmy uczenia się.
- Powtórzenie algebry wektorów i macierzy.
- Pojęcia przestrzeni stanów.
- Pojęcia optymalizacji.
- Uczenie z korekcją błędów.
- Uczenie oparte na pamięci.
- Uczenie Hebba.
- Uczenie konkurencyjne.
Perceptrony jednowarstwowe.
- Struktura i uczenie perceptronów.
- Klasyfikator wzorców - wprowadzenie i klasyfikatory Bayesa.
- Perceptron jako klasyfikator wzorców.
- Zbieżność perceptronu.
- Ograniczenia perceptronów.
Sieci neuronowe jednokierunkowe.
- Struktury wielowarstwowych sieci jednokierunkowych.
- Algorytm propagacji wstecznej.
- Propagacja wsteczna - trenowanie i zbieżność.
- Aproksymacja funkcjonalna z użyciem propagacji wstecznej.
- Praktyczne i projektowe zagadnienia uczenia z propagacją wsteczną.
Sieci o radialnych funkcjach bazowych.
- Rozdzielność wzorców i interpolacja.
- Teoria regularyzacji.
- Regularyzacja i sieci RBF.
- Projektowanie i trenowanie sieci RBF.
- Właściwości aproksymacyjne RBF.
Uczenie konkurencyjne i samoorganizujące się SNN.
- Ogólne procedury grupowania.
- Kwantyzacja wektorowa z uczeniem (LVQ).
- Algorytmy i architektury uczenia konkurencyjnego.
- Samoorganizujące się mapy cech.
- Właściwości map cech.
Rozmyte sieci neuronowe.
- Systemy neuronowo-rozmyte.
- Podstawy zbiorów rozmytych i logiki.
- Projektowanie systemów rozmytych.
- Projektowanie rozmytych SNN.
Zastosowania
- Omówionych zostanie kilka przykładów zastosowań sieci neuronowych, ich zalety i problemy.
DZIEŃ 2 - UCZENIE MASZYNOWE
- Ramy uczenia PAC
- Gwarancje dla skończonego zbioru hipotez – przypadek spójny
- Gwarancje dla skończonego zbioru hipotez – przypadek niespójny
- Ogólne zagadnienia
- Scenariusze deterministyczne a stochastyczne
- Szum błędu Bayesa
- Błędy estymacji i aproksymacji
- Wybór modelu
- Złożoność Rademachera i wymiar VC
- Kompromis między obciążeniem a wariancją
- Regularyzacja
- Przeuczenie
- Walidacja
- Maszyny wektorów nośnych
- Kriging (regresja procesów Gaussa)
- PCA i jądrowe PCA
- Mapy samoorganizujące (SOM)
- Przestrzeń wektorowa indukowana jądrem
- Jądra Mercera i metryki podobieństwa indukowane jądrem
- Uczenie ze wzmocnieniem
DZIEŃ 3 - UCZENIE GŁĘBOKIE
Zagadnienia będą omawiane w odniesieniu do tematów z Dnia 1 i Dnia 2
- Regresja logistyczna i softmax
- Rzadkie autoenkodery
- Wektoryzacja, PCA i wybielanie
- Uczenie samodzielne
- Sieci głębokie
- Dekodery liniowe
- Konwolucja i łączenie
- Kodowanie rzadkie
- Analiza niezależnych składowych
- Analiza korelacji kanonicznej
- Demo i zastosowania
Wymagania
Dobra znajomość matematyki.
Dobra znajomość podstaw statystyki.
Podstawowe umiejętności programowania nie są wymagane, ale zalecane.
Opinie uczestników (2)
Praca na podstawie pierwszych zasad w skoncentrowany sposób i przenoszenie się do stosowania studiów przypadków w tym samym dniu
Maggie Webb - Department of Jobs, Regions, and Precincts
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking
Przetłumaczone przez sztuczną inteligencję
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
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking
Przetłumaczone przez sztuczną inteligencję
