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.
Plan Szkolenia
- Przegląd sieci neuronowych i głębokiego uczenia się Koncepcja uczenia maszynowego (ML) Dlaczego potrzebujemy sieci neuronowych i głębokiego uczenia się? Dobór sieci do różnych problemów i typów danych Uczenie się i walidacja sieci neuronowych Porównanie regresji logistycznej z siecią neuronową Sieć neuronowa Biologiczne inspiracje do sieci neuronowej Sieci neuronowe – Neuron, Perceptron i MLP (Multilayer Perceptron model) Uczenie się MLP – algorytm propagacji wstecznej Funkcje aktywacji – liniowe, sigmoidalne , Tanh, Softmax Funkcje strat odpowiednie do prognozowania i klasyfikacji Parametry – szybkość uczenia się, regularyzacja, pęd Budowanie sieci neuronowych w Python Ocena wydajności sieci neuronowych w Python Podstawy głębokich sieci Co to jest głębokie uczenie się? Architektura sieci głębokich – parametry, warstwy, funkcje aktywacji, funkcje strat, solwery Ograniczone maszyny Boltzmana (RBM) Autoenkodery Architektury sieci głębokich Sieci głębokich przekonań (DBN) – architektura, zastosowanie Autoenkodery Ograniczone maszyny Boltzmanna Splotowa sieć neuronowa Rekursywna sieć neuronowa Rekurencyjna sieć neuronowa Omówienie bibliotek i interfejsów dostępnych w Python Caffee Theano Tensorflow Keras Mxnet Wybór odpowiedniej biblioteki do problemu Budowa głębokich sieci w Python Wybór odpowiedniej architektury do zadanego problemu Głębokie sieci hybrydowe Sieć ucząca się – odpowiednia biblioteka, definicja architektury Sieć dostrajająca – inicjalizacja, funkcje aktywacyjne , funkcje strat, metoda optymalizacji Unikanie nadmiernego dopasowania – wykrywanie problemów związanych z nadmiernym dopasowaniem w głębokich sieciach, regularyzacja Ocena głębokich sieci Studia przypadków w Python Rozpoznawanie obrazu – CNN Wykrywanie anomalii za pomocą Autoenkoderów Prognozowanie szeregów czasowych za pomocą RNN Redukcja wymiarów za pomocą Autoenkodera Klasyfikacja za pomocą RBM
Wymagania
Pożądana jest znajomość/ocena uczenia maszynowego, architektury systemów i języków programowania.
14 godzin
