Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Den 1:
Základní Machine Learning
Modul-1
Úvod:
- Cvičení – Instalace Python a knihoven NN Proč strojové učení? Stručná historie strojového učení Vzestup hlubokého učení Základní pojmy ve strojovém učení Vizualizace klasifikačního problému Hranice rozhodování a rozhodovací oblasti iPython notebooky
Modul-2
- Cvičení – Rozhodovací oblasti Umělý neuron Neuronová síť, dopředné šíření a síťové vrstvy Aktivační funkce Cvičení – Aktivační funkce Zpětné šíření chyby Nedostatečné a overfitting Interpolace a vyhlazování Extrapolace a abstrakce dat Zobecnění ve strojovém učení
Modul-3
- Cvičení – Nedostatečné vybavení a převybavení Tréninkové, testovací a ověřovací sady Zkreslení dat a problém negativního příkladu Kompromis zkreslení/variance Cvičení – Datové sady a zkreslení
Modul-4
- Přehled parametrů a hyperparametrů NN Logistické regresní úlohy Nákladové funkce Příklad – Regrese Klasické strojové učení vs. hluboké učení Závěr
Den 2: konvoluční Neural Networks (CNN)
Modul-5
- Úvod do CNN Co jsou CNN? Computer vize CNN v každodenním životě Obrazy – pixely, kvantování barev a prostoru, RGB konvoluční rovnice a fyzikální význam, spojité vs. diskrétní Cvičení – 1D konvoluce
Modul-6
- Teoretické základy filtrace Signál jako součet sinusoid Frekvenční spektrum Pásmové filtry Cvičení – Frekvenční filtrace 2D konvoluční filtry Výplň a délka kroku Filtr jako pásmová propust Filtr jako šablona přizpůsobení Cvičení – Detekce hran Gaborovy filtry pro lokalizovanou frekvenční analýzu Cvičení – Gaborovy filtry jako Layer 1 Maps
Modul-7
- Architektura CNN Konvoluční vrstvy Max. sdružování vrstev Převzorkování vrstev Rekurzivní abstrakce dat Příklad rekurzivní abstrakce
Modul-8
- Cvičení – Základní využití CNN Dataset ImageNet a model VGG-16 Vizualizace map funkcí Vizualizace významů funkcí Cvičení – Mapy funkcí a významy funkcí
Den 3: Sekvenční model
Modul-9
- Co jsou sekvenční modely? Proč sekvenční modely? Případ použití jazykového modelování Sekvence v čase vs. sekvence v prostoru
Modul-10
- RNNs Rekurentní architektura Zpětné šíření v čase Mizející gradienty GRU LSTM Hluboké RNN Obousměrné RNN Cvičení – Jednosměrné vs. Obousměrné RNN Vzorkovací sekvence Předpověď sekvenčního výstupu Cvičení – Predikce sekvenčního výstupu RNNs na jednoduchých časově proměnných signálech Cvičení – Základní detekce tvaru vlny
Modul-11
- Zpracování přirozeného jazyka (NLP) Word vložení Word vektory: word2vec Word vektory: Rukavice Přenos znalostí a vložení slov Analýza sentimentu Cvičení – Analýza sentimentu
Modul-12
- Kvantifikace a odstranění zkreslení Cvičení – Odstranění zkreslení Zvuková data Vyhledávání paprskem Model pozornosti Rozpoznávání řeči Cvičení detekce spouštěcího slova – Speech Recognition
Požadavky
Pro účast v tomto kurzu nejsou vyžadovány žádné zvláštní požadavky.
21 hodiny