Návrh Školení

DEN 1 - UMĚLÉ NEUROVÉ SÍTĚ

Úvod a struktura ANN.

    Biologické neurony a umělé neurony. Model ANN. Aktivační funkce používané v ANN. Typické třídy síťových architektur.

Mathematical Základy a mechanismy učení.

    Opětovná návštěva vektorové a maticové algebry. Koncepty stavového prostoru. Koncepty optimalizace. Učení na opravu chyb. Učení založené na paměti. Hebbovské učení. Soutěžní učení.

Jednovrstvé perceptrony.

    Struktura a učení perceptronů. Klasifikátor vzorů - úvod a Bayesovy klasifikátory. Perceptron jako klasifikátor vzorů. Perceptronová konvergence. Omezení perceptronů.

Dopředná vazba ANN.

    Struktury vícevrstvých dopředných sítí. Algoritmus zpětného šíření. Zpětná propagace - trénink a konvergence. Funkční aproximace se zpětným šířením. Praktické a designové problémy učení zpětné propagace.

Radiální základní funkční sítě.

    Oddělitelnost vzorů a interpolace. Regularizační teorie. Regularizace a sítě RBF. Návrh a školení sítě RBF. Aproximační vlastnosti RBF.

Konkurenční učení a sebeorganizace ANN.

    Obecné postupy shlukování. Učení vektorové kvantizace (LVQ). Algoritmy a architektury konkurenčního učení. Samoorganizující se mapy funkcí. Vlastnosti map objektů.

Fuzzy Neural Networks.

    Neuro-fuzzy systémy. Pozadí fuzzy množin a logiky. Návrh fuzzy stonků. Návrh fuzzy ANN.

Aplikace

    Bude diskutováno několik příkladů aplikací neuronových sítí, jejich výhody a problémy.

DEN -2 STROJOVÉ UČENÍ

    PAC Learning Framework Záruky pro množinu konečných hypotéz – konzistentní případ Záruky pro množinu konečných hypotéz – nekonzistentní případ Obecnosti Deterministické cv. Stochastické scénáře Bayesův chybový šum Chyby odhadu a aproximace Výběr modelu
Radmeacher Complexity and VC – DimensionZaujatost – kompromis odchylky
  • Regulace
  • Nadměrná montáž
  • Validace
  • Podpora vektorových strojů
  • Kriging (regrese Gaussova procesu)
  • PCA a Kernel PCA
  • Mapy vlastní organizace (SOM)
  • Vektorový prostor indukovaný jádrem Mercer Kernels a metriky podobnosti indukované jádrem
  • Reinforcement Learning
  • 3. DEN – HLOUBKÉ UČENÍ
  • To se bude vyučovat ve vztahu k tématům probíraným v Den 1 a Den 2
  • Logistic a Softmax Regrese Řídké autokodéry Vektorizace, PCA a bělení Samouk Učení Hluboké sítě Lineární dekodéry Konvoluce a sdružování Řídké kódování Nezávislá analýza komponent Kanonická korelační analýza Ukázky a aplikace
  • Požadavky

    Dobré porozumění matematice.

    Godobré pochopení základních statistik.

    Základní znalosti programování nejsou vyžadovány, ale doporučeny.

      21 hodiny
     

    Počet účastníků


    Začátek

    Konec


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Reference (2)

    Související kurzy

    Související kategorie