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
- Přehled neuronových sítí a hlubokého učení Koncept strojového učení (ML) Proč potřebujeme neuronové sítě a hluboké učení? Výběr sítí pro různé problémy a typy dat Učení a ověřování neuronových sítí Porovnání logistické regrese s neuronovou sítí Neuronová síť Biologické inspirace s neuronovou sítí Neuronové sítě – Neuron, Perceptron a MLP (model vícevrstvého perceptronu) Učení MLP – algoritmus zpětného šíření Aktivační funkce – lineární, sigmoidní , Tanh, Softmax Loss funkce vhodné pro prognózování a klasifikaci Parametry – rychlost učení, regularizace, hybnost Budování neuronových sítí v Python Hodnocení výkonu neuronových sítí v Python Základy hlubokých sítí Co je hluboké učení? Architektura hlubokých sítí – parametry, vrstvy, aktivační funkce, ztrátové funkce, řešitelé Omezené Boltzmanovy stroje (RBM) Autokodéry Architektury hlubokých sítí Deep Belief Networks (DBN) – architektura, aplikace Autokodéry Omezené Boltzmannovy stroje Konvoluční neuronová síť Rekurzivní neuronová síť Přehled Rekurzivní neuronová síť knihoven a rozhraní dostupných v Python Caffee Theano Tensorflow Keras Mxnet Výběr vhodné knihovny k problému Budování hlubokých sítí v Python Výběr vhodné architektury k danému problému Hybridní hluboké sítě Učící se síť – vhodná knihovna, definice architektury Ladění sítě – inicializace, aktivační funkce , ztrátové funkce, optimalizační metoda Vyhýbání se overfittingu – detekce problémů s overfittingem v hlubokých sítích, regularizace Hodnocení hlubokých sítí Případové studie v Python Rozpoznávání obrazu – CNN Detekce anomálií pomocí autokodérů Předpovídání časových řad s RNN Snížení rozměrů pomocí Autoenkodéru Klasifikace s RBM
Požadavky
Je žádoucí znalost/ocenění strojového učení, systémové architektury a programovacích jazyků
14 hodiny