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 (Machine Learning - ML)
- De ce avem nevoie de rețele neuronale și învățare profundă?
- Selectarea rețelelor pentru diferite tipuri de probleme și date
- Învățarea și validarea rețelelor neuronale
- Compararea regresiei logistice cu rețeaua neuronală
- Rețea neuronală
- Inspirații biologice pentru rețeaua neuronală
- Rețele Neuronale – Neuron, Perceptron și MLP (Modelul Multilayer Perceptron)
- Învățarea MLP – algoritmul de backpropagation
- Funcții de activare – liniară, sigmoidă, Tanh, Softmax
- Funcții de pierdere adecvate pentru prognoză și clasificare
- Parametri – rata de învățare, regularizare, momentum
- 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, Solver
- Mașini Boltzmann Restricționate (Restricted Boltzmann Machines - RBMs)
- Autoencodere
- Arhitecturi ale rețelelor profunde
- Rețele de Credință Profundă (Deep Belief Networks - DBN) – arhitectură, aplicație
- Autoencodere
- Mașini Boltzmann Restricționate
- Rețea Neurală Convoluțională
- Rețea Neurală Recursivă
- Rețea Neurală 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 profunde hibride
- Învățarea rețelei – alegerea bibliotecii potrivite, definirea arhitecturii
- Reglarea 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 anomalilor cu Autoencodere
- Prognozarea seriilor temporale cu RNN
- Reducerea dimensionalității cu Autoencodere
- Clasificare cu RBM
Cerințe
Cunoștințe/înțelegere despre învățarea automată, arhitectura sistemelor și limbaje de programare sunt de dorit.
14 Ore
Mărturii (2)
Organizația, conform agendei propuse, cunoștințele extinse ale instruiționarului în acest domeniu
Ali Kattan - TWPI
Curs - Natural Language Processing with TensorFlow
Tradus de catre o masina
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Curs - TensorFlow for Image Recognition
Tradus de catre o masina
