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.
Course Outline
Ημέρα 1:
Βασικό Machine Learning
Ενότητα-1
Εισαγωγή:
- Άσκηση – Εγκατάσταση βιβλιοθηκών Python και NN Γιατί μηχανική μάθηση; Σύντομη ιστορία της μηχανικής μάθησης Η άνοδος της βαθιάς μάθησης Βασικές έννοιες στη μηχανική μάθηση Οπτικοποίηση ενός προβλήματος ταξινόμησης Όρια απόφασης και περιοχές αποφάσεων iPython σημειωματάρια
Ενότητα-2
- Άσκηση – Περιοχές απόφασης Ο τεχνητός νευρώνας Το νευρωνικό δίκτυο, η προς τα εμπρός διάδοση και τα επίπεδα δικτύου Λειτουργίες ενεργοποίησης Άσκηση – Λειτουργίες ενεργοποίησης Backpropagation of error Underfitting and overfitting Interpolation και εξομάλυνση Παρέκταση και αφαίρεση δεδομένων Γενίκευση στη μηχανική μάθηση
Ενότητα-3
- Άσκηση – Υποπροσαρμογή και υπερπροσαρμογή Σύνολα εκπαίδευσης, δοκιμών και επικύρωσης Μεροληψία δεδομένων και αρνητικό παράδειγμα πρόβλημα Ανταλλαγή μεροληψίας/διακύμανσης Άσκηση – Σύνολα δεδομένων και μεροληψία
Ενότητα-4
- Επισκόπηση παραμέτρων και υπερπαραμέτρων NN Προβλήματα λογιστικής παλινδρόμησης Συναρτήσεις κόστους Παράδειγμα – Παλινδρόμηση Κλασική μηχανική μάθηση έναντι βαθιάς μάθησης Συμπέρασμα
Day-2 : Convolutional Neural Networks (CNN)
Ενότητα-5
- Εισαγωγή στο CNN Τι είναι τα CNN; Computer όραση CNN στην καθημερινή ζωή Εικόνες – εικονοστοιχεία, κβαντισμός χρώματος και χώρου, εξισώσεις συνέλιξης RGB και φυσικό νόημα, συνεχής έναντι διακριτής Άσκηση – Συνέλιξη 1D
Ενότητα-6
- Θεωρητική βάση για το φιλτράρισμα Σήμα ως άθροισμα ημιτονοειδών Φάσμα συχνότητας Φίλτρα διέλευσης ζώνης Άσκηση – Φιλτράρισμα συχνότητας Δισδιάστατα συνελικτικά φίλτρα Επένδυση και μήκος βήματος Φίλτρο ως φίλτρο ζώνης ως ταιριάζουν με πρότυπο Άσκηση – Ανίχνευση άκρων Φίλτρα Gabor για εντοπισμένη ανάλυση συχνότητας Άσκηση Layer
Ενότητα-7
- Αρχιτεκτονική CNN Συνελικτικά επίπεδα Μέγιστο επίπεδο συγκέντρωσης Επιπέδων μείωσης δειγματοληψίας Αναδρομική αφαίρεση δεδομένων Παράδειγμα αναδρομικής αφαίρεσης
Ενότητα-8
- Άσκηση – Βασική χρήση του CNN Δεδομένα ImageNet και το μοντέλο VGG-16 Οπτικοποίηση χαρτών χαρακτηριστικών Οπτικοποίηση σημασιών χαρακτηριστικών Άσκηση – Χάρτες χαρακτηριστικών και σημασίες χαρακτηριστικών
Ημέρα-3: Μοντέλο ακολουθίας
Ενότητα-9
- Τι είναι τα μοντέλα ακολουθίας; Γιατί μοντέλα ακολουθίας; Περίπτωση χρήσης μοντελοποίησης γλώσσας Ακολουθίες στο χρόνο έναντι ακολουθιών στο χώρο
Ενότητα-10
- RNNs Επαναλαμβανόμενη αρχιτεκτονική Backpropagation στο χρόνο Εξαφανιζόμενες κλίσεις GRU LSTM Deep RNN Αμφίδρομη άσκηση RNN – Ακολουθίες δειγματοληψίας μονοκατευθυντικών έναντι αμφίδρομων RNN Πρόβλεψη εξόδου ακολουθίας Άσκηση – Πρόβλεψη εξόδου ακολουθίας RNN σε απλά χρονικά μεταβαλλόμενα σήματα Άσκηση Βασική αποτύπωση
Ενότητα-11
- Επεξεργασία φυσικής γλώσσας (NLP) Word ενσωματώσεις Word διανύσματα: word2vec Word διανύσματα: GloVe Μεταφορά γνώσης και ενσωματώσεις λέξεων Ανάλυση συναισθήματος Άσκηση – Ανάλυση συναισθήματος
Ενότητα-12
- Ποσοτικοποίηση και αφαίρεση μεροληψίας Άσκηση – Κατάργηση προκατάληψης Δεδομένα ήχου Αναζήτηση δέσμης Μοντέλο προσοχής Αναγνώριση ομιλίας Ενεργοποίηση άσκησης ανίχνευσης λέξης – Speech Recognition
Requirements
Δεν απαιτούνται συγκεκριμένες απαιτήσεις για να παρακολουθήσετε αυτό το μάθημα.
21 Hours
