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.
Schița de curs
- Privire de ansamblu asupra rețelelor neuronale și a învățării profunde Conceptul de învățare automată (ML) De ce avem nevoie de rețele neuronale și de învățare profundă? Selectarea rețelelor pentru diferite probleme și tipuri de date Învățarea și validarea rețelelor neuronale Compararea regresiei logistice cu rețeaua neuronală Rețeaua neuronală Inspirări biologice la rețeaua neuronală Rețele neuronale – Neuron, Perceptron și MLP (modelul Multistrat Perceptron) Învățare MLP – algoritm de backpropagation Funcții de activare – liniar, sigmoid , Tanh, Softmax Funcții de pierdere adecvate prognozării și clasificării Parametrii – rata de învățare, regularizare, impuls Construirea rețelelor neuronale în Python Evaluarea performanței rețelelor neuronale în Python Bazele rețelelor profunde Ce este învățarea profundă? Arhitectura rețelelor profunde – parametri, straturi, funcții de activare, funcții de pierdere, soluții Mașini Boltzman restricționate (RBM-uri) Codificatoare automate Arhitecturi de rețele profunde Rețele profunde (DBN) – arhitectură, aplicație Cocodere automate Mașini Boltzmann restricționate Rețea neuronală recursiva Rețea neuronală recurentă Prezentare generală a rețelei neuronale recurente de biblioteci și interfețe disponibile în Python Caffee Theano Tensorflow Keras Mxnet Alegerea bibliotecii adecvate problemei Construirea rețelelor profunde în Python Alegerea arhitecturii adecvate pentru problema dată Rețele profunde hibride Rețea de învățare – bibliotecă adecvată, definiție arhitecturii Tuning rețea – inițializare, funcții de activare , funcții de pierdere, metodă de optimizare Evitarea supraajustării – detectarea problemelor de supraadaptare în rețelele adânci, regularizarea Evaluarea rețelelor adânci Studii de caz în Python Recunoașterea imaginii – CNN Detectarea anomaliilor cu Autoencoder Prognoza serie de timp cu RNN Reducerea dimensionalității cu Autoencoder Clasificare cu RBM
Cerințe
Cunoștințe/apreciere a învățării automate, a arhitecturii de sisteme și a limbajelor de programare sunt de dorit
14 ore