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

Počet účastníků



Price per participant

Související kurzy

Související kategorie