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 грешки.
- 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 право предаване.
- Структури на многослойни мрежи с право предаване.
- Алгоритъм за обратно разпространение.
- Обратно разпространение - обучение и конвергенция.
- Функционална апроксимация с обратно разпространение.
- Практически и дизайнерски въпроси при обучението с обратно разпространение.
Мрежи с радиални базисни функции.
- Разделимост на образи и интерполация.
- Теория на регуларизацията.
- Регуларизация и RBF мрежи.
- Проектиране и обучение на RBF мрежи.
- Апроксимационни свойства на RBF.
Конкурентно обучение и самоорганизиращи се ANN.
- Общи процедури за клъстериране.
- Векторно квантуване с обучение (LVQ).
- Алгоритми и архитектури за конкурентно обучение.
- Самоорганизиращи се карти на признаци.
- Свойства на картите на признаци.
Размити невронни мрежи.
- Невро-размити системи.
- Основи на размитите множества и логика.
- Проектиране на размити системи.
- Проектиране на размити ANN.
Приложения
- Ще бъдат разгледани няколко примера за приложения на невронни мрежи, техните предимства и проблеми.
ДЕН 2 - МАШИННО ОБУЧЕНИЕ
- Рамка за учене PAC
- Гаранции за крайно множество от хипотези – съгласуван случай
- Гаранции за крайно множество от хипотези – несъгласуван случай
- Общи положения
- Детерминистични срещу стохастични сценарии
- Шум от Бейсова грешка
- Грешки при оценяване и апроксимация
- Избор на модел
- Сложност на Радемахер и VC – измерение
- Компромис между отклонение и дисперсия
- Регуларизация
- Пренастройване
- Валидиране
- Опорни векторни машини
- Кригинг (Гаусова процесна регресия)
- PCA и ядрово PCA
- Самоорганизиращи се карти (SOM)
- Векторно пространство, индуцирано от ядро
- Мърсър ядра и метрики за сходство, индуцирани от ядро
- Обучение с подсилване
ДЕН 3 - ДЪЛБОКО ОБУЧЕНИЕ
Това ще бъде преподавано във връзка с темите, разгледани на Ден 1 и Ден 2
- Логистична и Softmax регресия
- Разредени автокодери
- Векторизация, PCA и избелване
- Самостоятелно обучение
- Дълбоки мрежи
- Линейни декодери
- Конволюция и обединяване
- Разредено кодиране
- Анализ на независими компоненти
- Каноничен корелационен анализ
- Демонстрации и приложения
Изисквания
Добро разбиране на математиката.
Добро разбиране на основната статистика.
Базови умения за програмиране не са задължителни, но са препоръчителни.
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
