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
ZIUA 1 - REȚELE NEURONALE ARTIFICIALE
Introducere și Structura ANN.
- Neuroni biologici și neuroni artificiali.
- Modelul unei rețele neuronale artificiale (ANN).
- Funcții de activare utilizate în ANN-uri.
- Clase tipice de arhitecturi de rețea.
Fundații Matematice și Mecanisme de Învățare.
- Revederea algebrei vectorilor și matricelor.
- Concepte ale spațiului de stări.
- Concepte de optimizare.
- Învățarea prin corectarea erorii.
- Învățarea bazată pe memorie.
- Învățarea Hebbian.
- Învățarea competitivă.
Perceptroni unisi stratifi.
- Structura și învățarea perceptronilor.
- Clasificator de modele - introducere și clasificatori Bayes.
- Perceptron ca clasificator de modele.
- Covergența perceptronului.
- Limițările unui perceptron.
Rețele ANN feedforward.
- Structuri ale rețelelor feedforward cu mai multe straturi.
- Algoritmul de propagare inversă (backpropagation).
- Propagarea inversă - învățare și covergență.
- Aproximarea funcțională cu propagarea inversă.
- Istoriile practice și de design ale învățării prin propagare inversă.
Rețele cu Funcții Radiale (RBF).
- Separația modelului și interpolarea modelului.
- Teoria regularizării.
- Regularizarea și rețelele RBF.
- Proiectarea și învățarea rețelelor RBF.
- Pozițiile de aproximare ale RBF-urilor.
Învățarea Competitivă și Rețelele Neuronale Autoorganizante.
- Proceduri de clusterizare generale.
- Vectorii de Învățare cu Cuantificare (LVQ).
- Algoritmi și arhitecturi de învățare competitivă.
- Hărți autoorganizante ale caracteristicilor.
- Pozițiile hărților de caractere.
Rețele Neuronale Fuzzy.
- Sisteme neuro-fuzzy.
- Fundamentele mulțimilor fuzzy și logicii fuzzy.
- Proiectarea sistemelor fuzzy.
- Proiectarea rețelelor neuronale fuzzy.
Aplicații
- Vor fi discutate câteva exemple de aplicații ale rețelelor neuronale, împreună cu avantajele și problemele acestora.
ZIUA 2 - MACHINE LEARNING
- Cadru de Învățare PAC
- Garanții pentru setul de ipoteze finit - cazul consistent
- Garanții pentru setul de ipoteze finit - cazul inconsistens
- Generalități
- Scenarii deterministice vs. stochastice
- Eroarea Bayes
- Erorile de estimare și aproximare
- Selectia modelului
- Complexitatea Rademacher și Dimensiunea VC
- Compromisul Bias-Varianta
- Regularizarea
- Pesteînvățare (Over-fitting)
- Validare
- Machieile cu Vectori de Suport (Support Vector Machines - SVM)
- Kriging (Regressie cu Procese Gaussiane)
- PCA și Kernel PCA
- Hărțile Autoorganizante (Self Organisation Maps - SOM)
- Spațiul vectorial indus de kernel
- Nuclele Mercer și metricile de similaritate induce de kernel
- Învățarea Reinforcement Learning
ZIUA 3 - DEEP LEARNING
Acest lucru va fi predat în relație cu subiectele acoperite în Ziua 1 și Ziua 2
- Regressia Logistică și Softmax
- Autoencoderi Rari (Sparse Autoencoders)
- Vectorializarea, PCA și Albirea (Whitening)
- Învățarea Autodidactă (Self-Taught Learning)
- Rețele Profunde (Deep Networks)
- Decoderi Lineari
- Convoluție și Pooling
- Codificare Rară (Sparse Coding)
- Analiza Componentelor Independente (Independent Component Analysis - ICA)
- Analiza Corelației Canonice (Canonical Correlation Analysis - CCA)
- Demo-uri și Aplicații
Cerințe
Înțelegere bună a matematicii.
Înțelegere bună a statisticilor de bază.
Skilluri de programare de bază nu sunt necesare, dar se recomandă.
21 ore
Mărturii (2)
Lucrând în mod concentrat din principii de bază și trecerea la aplicarea studiilor de caz în aceeași zi
Maggie Webb - Department of Jobs, Regions, and Precincts
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
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
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
