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
Kurz je rozdělen do tří samostatných dnů, přičemž třetí je volitelný.
Den 1 - Machine Learning & Deep Learning: teoretické koncepty
1. Úvod AI, Machine Learning & Deep Learning
- Historie, základní pojmy a obvyklé aplikace umělé inteligence daleko od fantazií nesených tímto oborem
- Kolektivní inteligence: souhrnné znalosti sdílené mnoha virtuálními agenty
- Genetické algoritmy: vyvíjení populace virtuálních agentů výběrem
- Machine Learning obvyklé: definice.
- Typy úkolů: učení pod dohledem, učení bez dozoru, posilovací učení
- Typy akcí: klasifikace, regrese, shlukování, odhad hustoty, redukce rozměrů
- Příklady algoritmů Machine Learning: Lineární regrese, Naive Bayes, Random Tree
- Strojové učení VS Deep Learning: problémy, u kterých Machine Learning zůstává dnes nejmodernější (Random Forests & XGBoosts)
2. Základní pojmy neuronové sítě (Aplikace: vícevrstvý perceptron)
- Připomenutí matematických základů.
- Definice neuronové sítě: klasická architektura, aktivační a váhové funkce předchozích aktivací, hloubka sítě
- Definice učení neuronové sítě: nákladové funkce, zpětné šíření, sestup stochastického gradientu, maximální věrohodnost.
- Modelování neuronové sítě: modelování vstupních a výstupních dat podle typu problému (regrese, klasifikace atd.). Prokletí dimenzionality. Rozdíl mezi vícefunkčními daty a signálem. Volba nákladové funkce podle údajů.
- Aproximace funkce pomocí neuronové sítě: prezentace a příklady
- Aproximace rozdělení pomocí neuronové sítě: prezentace a příklady
- Data Augmentation: jak vyvážit datovou sadu
- Zobecnění výsledků neuronové sítě.
- Inicializace a regularizace neuronové sítě: regularizace L1/L2, dávková normalizace...
- Optimalizace a konvergenční algoritmy.
3. Běžné nástroje ML/DL
V plánu je jednoduchá prezentace s výhodami, nevýhodami, postavením v ekosystému a využitím.
- Nástroje pro správu dat: Apache Spark, Apache Hadoop
- Obvyklé nástroje Machine Learning: Numpy, Scipy, Sci-kit
- Rámce DL na vysoké úrovni: PyTorch, Keras, Lasagne
- Nízkoúrovňové rámce DL: Theano, Torch, Caffe, Tensorflow
Den 2 – Konvoluční a rekurentní sítě
4. Konvoluční Neural Networks (CNN).
- Prezentace CNN: základní principy a aplikace
- Základní operace CNN: konvoluční vrstva, použití jádra, padding & krok, generování map prvků, vrstvy typu 'sdružování'. 1D, 2D a 3D rozšíření.
- Prezentace různých architektur CNN, které přinesly nejmodernější klasifikaci obrazu: LeNet, VGG Networks, Network in Network, Inception, Resnet. Prezentace inovací jednotlivých architektur a jejich globálnějších aplikací (1x1 konvoluce nebo zbytková připojení)
- Použití modelu pozornosti.
- Aplikace na obvyklý scénář klasifikace (text nebo obrázek)
- CNN pro generaci: super-rozlišení, segmentace pixel-to-pixel. Prezentace hlavních strategií pro rozšiřování map funkcí pro generování obrázku.
5. Rekurentní Neural Networks (RNN).
- Prezentace RNN: základní principy a aplikace.
- Základní operace RNN: skrytá aktivace, zpětné šíření v čase, rozložená verze.
- Vývoj směrem k GRU (Gated Recurrent Units) a LSTM (Long Short Term Memory). Prezentace různých stavů a vývoje, který tyto architektury přinesly
- Problémy konvergence a mizejících gradientů
- Typy klasických architektur: Predikce časové řady, klasifikace...
- RNN Encoder Architektura typu dekodéru. Použití modelu pozornosti.
- NLP aplikace: kódování slov/znaků, překlad.
- Video aplikace: predikce dalšího generovaného obrazu video sekvence.
Den 3 – Generační modely a Reinforcement Learning
6. Generační modely: Variational AutoEncoder (VAE) a Generative Adversarial Networks (GAN).
- Prezentace generačních modelů, propojení s CNN viděnými v den 2
- Automatické kódování: redukce rozměrů a omezené generování
- Variační automatický kodér: generační model a aproximace distribuce dat. Definice a využití latentního prostoru. Reparametrizační trik. Aplikace a dodržované limity
- Generativní nepřátelské sítě: základní principy. Dvousíťová architektura (generátor a diskriminátor) se střídavým učením, k dispozici jsou nákladové funkce.
- Konvergence GAN a vzniklé potíže.
- Vylepšená konvergence: Wasserstein GAN, BeGAN. Země Pohyblivá Vzdálenost.
- Aplikace pro generování obrázků nebo fotografií, generování textu, super
rozlišení.
7.HlubokéReinforcement Learning.
- Prezentace posilovacího učení: ovládání agenta v prostředí definovaném stavem a možnými akcemi
- Použití neuronové sítě k aproximaci stavové funkce
- Hluboké učení Q: zažijte opakované přehrávání a aplikaci na ovládání videohry.
- Optimalizace vzdělávací politiky. On-policy && off-policy. Herecká kritická architektura. A3C.
- Aplikace: ovládání jednoduché videohry nebo digitálního systému.
Požadavky
Inženýrská úroveň
21 hodiny
