Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Съдържание и теми, включени в курса
ДЕН 1 - ИЗКУСТВЕНИ НЕВРОННИ МРЕЖИ
Въведение и структура на ANN.
- Биологични неврони и изкуствени неврони.
- Модел на ANN.
- Активационни функции, използвани в ANN.
- Типични класове мрежови архитектури.
Математически основи и механизми за обучение.
- Преговор на векторна и матрична алгебра.
- Концепции за пространство на състоянията.
- Концепции за оптимизация.
- Обучение с корекция на грешката.
- Обучение, базирано на памет.
- Хебово обучение.
- Конкурентно обучение.
Еднослойни перцептрони.
- Структура и обучение на перцептрони.
- Класификатор на образи - въведение и Бейсови класификатори.
- Перцептронът като класификатор на образи.
- Конвергенция на перцептрона.
- Ограничения на перцептроните.
ANN с права посока на разпространение.
- Структури на многослойни мрежи с права посока на разпространение.
- Алгоритъм за обратно разпространение.
- Обратно разпространение - обучение и конвергенция.
- Функционална апроксимация с обратно разпространение.
- Практически и дизайнерски въпроси при обучението чрез обратно разпространение.
Мрежи с радиални базисни функции.
- Разделимост на образи и интерполация.
- Теория на регуларизацията.
- Регуларизация и RBF мрежи.
- Дизайн и обучение на RBF мрежи.
- Апроксимационни свойства на RBF.
Конкурентно обучение и самоорганизиращи се ANN.
- Общи процедури за клъстеризация.
- Обучаващо векторно квантуване (LVQ).
- Алгоритми и архитектури за конкурентно обучение.
- Самоорганизиращи се карти на характеристиките.
- Свойства на картите на характеристиките.
Размити невронни мрежи.
- Невро-размити системи.
- Основи на размитите множества и логика.
- Проектиране на размити системи.
- Проектиране на размити ANN.
Приложения
- Ще бъдат обсъдени няколко примера за приложения на невронните мрежи, техните предимства и проблеми.
ДЕН 2 - МАШИННО ОБУЧЕНИЕ
- Учебната рамка PAC
- Гаранции за краен набор от хипотези – непротиворечив случай
- Гаранции за краен набор от хипотези – противоречив случай
- Общи положения
- Детерминистични срещу стохастични сценарии
- Шум на Бейсовата грешка
- Грешки от оценяване и апроксимация
- Избор на модел
- Сложност на Радемахер и VC-измерение
- Компромис между отклонение и дисперсия (Bias-Variance tradeoff)
- Регуларизация
- Пренастройване (Over-fitting)
- Валидиране
- Опорни векторни машини (Support Vector Machines)
- Кригинг (Гаусова процесна регресия)
- PCA и Ядрова PCA (Kernel PCA)
- Самоорганизиращи се карти (SOM)
- Ядрово индуцирано векторно пространство
- Ядра на Мърсър и ядрово индуцирани метрики за сходство
- Обучение с утвърждаване (Reinforcement Learning)
ДЕН 3 - ЗАДЪЛБОЧЕНО ОБУЧЕНИЕ (DEEP LEARNING)
Това ще бъде преподавано във връзка с темите, разгледани в Ден 1 и Ден 2
- Логистична и Softmax регресия
- Разредени автокодери (Sparse Autoencoders)
- Векторизация, PCA и избелване (Whitening)
- Самостоятелно обучение (Self-Taught Learning)
- Дълбоки мрежи (Deep Networks)
- Линейни декодери
- Конволюция и пулинг (Convolution and Pooling)
- Разредено кодиране (Sparse Coding)
- Анализ на независимите компоненти (Independent Component Analysis)
- Каноничен корелационен анализ
- Демонстрации и приложения
Изисквания
Добро разбиране по математика.
Добро разбиране на основната статистика.
Базови умения за програмиране не са задължителни, но са препоръчителни.
21 Часа
Отзиви от участници (2)
Работата с първични принципи по фокусиран начин и прилагане на кейс студии вътре в същия ден
Maggie Webb - Department of Jobs, Regions, and Precincts
Курс - Artificial Neural Networks, Machine Learning, Deep Thinking
Машинен превод
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
Курс - Artificial Neural Networks, Machine Learning, Deep Thinking
Машинен превод
