Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
- Prezentare generală a rețelelor neuronale și a învățării profunde
- Conceptul de Învățare Automată (ML)
- De ce avem nevoie de rețele neuronale și învățare profundă?
- Selectarea rețelelor pentru diferite probleme și tipuri de date
- Învățarea și validarea rețelelor neuronale
- Compararea regresiei logistice cu rețeaua neuronală
- Rețea neuronală
- Inspirații biologice pentru rețelele neuronale
- Rețele Neuronale – Neuron, Perceptron și MLP (Modelul Perceptron Multistrat)
- Învățarea MLP – algoritmul de backpropagation
- Funcții de activare – liniară, sigmoidă, Tanh, Softmax
- Funcții de pierdere adecvate pentru previziune și clasificare
- Parametri – rata de învățare, regularizare, moment
- 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, Solveri
- Mașini Boltzmann Restricționate (RBMs)
- Autoencodere
- Arhitecturi ale rețelelor profunde
- Rețele de Credință Profunde (DBN) – arhitectură, aplicație
- Autoencodere
- Mașini Boltzmann Restricționate
- Rețea Neuronală Convoluțională
- Rețea Neuronală Recursivă
- Rețea Neuronală Recurentă
- Prezentarea generală a bibliotecilor și interfețelor disponibile în Python
- Caffee
- Theano
- Tensorflow
- Keras
- Mxnet
- Alegerea bibliotecii potrivite pentru problemă
- Construirea rețelelor profunde în Python
- Alegerea arhitecturii potrivite pentru o problemă dată
- Rețele hibride
- Învățarea rețelei – alegerea bibliotecii potrivite, definirea arhitecturii
- Optimizarea rețelei – inițializare, funcții de activare, funcții de pierdere, metoda de optimizare
- Evitarea supraadaptării – detectarea problemelor de supraadaptare în rețelele profunde, regularizare
- Evaluarea rețelelor profunde
- Studii de caz în Python
- Recunoașterea imaginilor – CNN
- Detectarea anomaliilor cu Autoencodere
- Previziunea seriilor de timp cu RNN
- Reducerea dimensionalității cu Autoencodere
- Clasificare cu RBM
Cerințe
Cunoștințe/înțelegere a învățării automate, arhitecturii sistemelor și a limbajelor de programare sunt de dorit.
14 Ore
