Schița de curs

Ziua 1:

De bază Machine Learning

Modulul-1

Introducere:

  • Exercițiu – Instalarea bibliotecilor Python și NN
  • De ce învățare automată?
  • Scurt istoric al învățării automate
  • Apariția învățării profunde
  • Concepte de bază în învățarea automată
  • Vizualizarea unei probleme de clasificare
  • Limite de decizie și regiuni de decizie
  • Caiete iPython

Modul-2

  • Exercițiu – Regiuni de decizie
  • Neuronul artificial
  • Rețeaua neuronală, propagare directă și straturi de rețea
  • Funcții de activare
  • Exercițiu – Funcții de activare
  • Propagarea inversă a erorilor
  • Subadaptare și supraadaptare
  • Interpolare și netezire
  • Extrapolarea și abstractizarea datelor
  • Generalizarea în învățarea automată

Modul-3

  • Exercițiu – Underfitting și Overfitting
  • Seturi de instruire, testare și validare
  • Prejudiciul datelor și problema exemplului negativ
  • Compromis prejudecată/varianță
  • Exercițiu – Seturi de date și distorsiuni

Modul-4

  • Prezentare generală a parametrilor NN și a hiperparametrilor
  • Probleme de regresie logistică
  • Funcții de cost
  • Exemplu – Regresie
  • Învățarea automată clasică vs. învățarea profundă
  • Concluzie

Ziua-2 : Convoluțional Neural Networks (CNN)

Modul-5

  • Introducere în CNN
  • Ce sunt CNN-urile?
  • Computer viziune
  • CNN-urile în viața de zi cu zi
  • Imagini – pixeli, cuantificarea culorii – spațiu, RGB
  • Ecuațiile de convoluție și semnificația fizică, continuu vs. discret
  • Exercițiu – Convoluția 1D

Modulul 6

  • Baza teoretică pentru filtrare
  • Semnalul ca sumă de sinusoide
  • Spectrul de frecvență
  • Filtre trece bandă
  • Exercițiu – Filtrarea de frecvență
  • Filtre convoluționale 2D
  • Padding ș i lungime de pas
  • Filtru ca filtru trece-banda
  • Filtru ca potrivire de șablon
  • Exercițiu – Detectarea marginilor
  • Filtre Gabor pentru analiza frecvenței localizate
  • Exercițiu – Filtre Gabor ca hărți de strat 1

Modul-7

  • Arhitectura CNN
  • Straturi convoluționale
  • Straturi de maximizare
  • Straturi de eșantionare redusă
  • Abstractizare recursivă a datelor
  • Exemplu de abstractizare recursivă

Modulul 8

  • Exercițiu – Utilizare de bază a CNN-ului
  • Setul de date ImageNet și modelul VGG-16
  • Vizualizarea hărților de caracteristici
  • Vizualizarea semnificațiilor caracteristicilor
  • Exercițiu – Hărți de caracteristici și semnificații ale caracteristicilor

Ziua-3: Modelul secvențial

Modulul-9

  • Ce sunt modelele de secvență?
  • De ce modele de secvență?
  • Caz de utilizare a modelării limbajului
  • Secvențe în timp vs. secvențe în spațiu

Modul-10

  • RNNs
  • Arhitectură recurentă
  • Backpropagare în timp
  • Gradiente de dispariție
  • GRU
  • LSTM
  • RNN profundă
  • RNN bidirecțională
  • Exercițiu – RNN unidirecțional vs. bidirecțional
  • Secvențe de eșantionare
  • Predicția ieșirii secvenței
  • Exercițiu – Predicția ieșirii secvenței
  • RNN-uri pe semnale simple care variază în timp
  • Exercițiu – Detectarea formei de undă de bază

Modul-11

  • Prelucrarea limbajului natural (NLP)
  • Word încorporări
  • Word vectori: word2vec
  • Word vectori: GloVe
  • Transferul de cunoștințe și încorporarea cuvintelor
  • Analiza sentimentelor
  • Exercițiu – Analiza sentimentelor

Modul-12

  • Cuantificarea și eliminarea prejudecăților
  • Exercițiu – Eliminarea prejudecăților
  • Date audio
  • Căutarea fasciculului
  • Model de atenție
  • Recunoașterea vorbirii
  • Detectarea cuvântului declanșator
  • Exercițiu – Speech Recognition

Cerințe

Nu sunt necesare cerințe specifice pentru a participa la acest curs.

  21 ore

Numărul de participanți


Dată început

Dată sfârșit


Dates are subject to availability and take place between 09:30 and 16:30.

Pret per participant

Cursuri înrudite

Categorii înrudite