Εξέλιξη Κομματιού
ΗΜΕΡΑ 1 - ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Εισαγωγή και Δομή ΤΝΔ.
- Βιολογικοί νευρώνες και τεχνητοί νευρώνες.
- Μοντέλο ενός ΤΝΔ.
- Συναρτήσεις ενεργοποίησης που χρησιμοποιούνται στα ΤΝΔ.
- Τυπικές κατηγορίες αρχιτεκτονικών δικτύων.
Μαθηματικά Θεμέλια και Μηχανισμοί Μάθησης.
- Επανεξέταση διανυσματικής και μητρωικής άλγεβρας.
- Έννοιες χώρου καταστάσεων.
- Έννοιες βελτιστοποίησης.
- Μάθηση διόρθωσης σφάλματος.
- Μάθηση βασισμένη στη μνήμη.
- Μάθηση Hebbian.
- Ανταγωνιστική μάθηση.
Perceptrons μονού επιπέδου.
- Δομή και μάθηση των perceptrons.
- Ταξινομητής προτύπων - εισαγωγή και ταξινομητές Bayes.
- Το perceptron ως ταξινομητής προτύπων.
- Σύγκλιση perceptron.
- Περιορισμοί των perceptrons.
ΤΝΔ πρόσθιας τροφοδότησης.
- Δομές πολυεπίπεδων δικτύων πρόσθιας τροφοδότησης.
- Αλγόριθμος οπισθοδιάδοσης.
- Οπισθοδιάδοση - εκπαίδευση και σύγκλιση.
- Λειτουργική προσέγγιση με οπισθοδιάδοση.
- Πρακτικά και σχεδιαστικά ζητήματα της μάθησης με οπισθοδιάδοση.
Δίκτυα Συναρτήσεων Ακτινικής Βάσης.
- Διαχωρισιμότητα προτύπων και παρεμβολή.
- Θεωρία Κανονικοποίησης.
- Κανονικοποίηση και δίκτυα RBF.
- Σχεδιασμός και εκπαίδευση δικτύων RBF.
- Ιδιότητες προσέγγισης των RBF.
Ανταγωνιστική Μάθηση και Αυτο-οργανούμενα ΤΝΔ.
- Γενικές διαδικασίες ομαδοποίησης.
- Διανυσματική Κβαντοποίηση Μάθησης (LVQ).
- Αλγόριθμοι και αρχιτεκτονικές ανταγωνιστικής μάθησης.
- Αυτο-οργανούμενοι χάρτες χαρακτηριστικών.
- Ιδιότητες χαρτών χαρακτηριστικών.
Ασαφή Νευρωνικά Δίκτυα.
- Νευρο-ασαφή συστήματα.
- Υπόβαθρο ασαφών συνόλων και λογικής.
- Σχεδιασμός ασαφών συστημάτων.
- Σχεδιασμός ασαφών ΤΝΔ.
Εφαρμογές
- Θα συζητηθούν μερικά παραδείγματα εφαρμογών Νευρωνικών Δικτύων, τα πλεονεκτήματα και τα προβλήματά τους.
ΗΜΕΡΑ 2 - ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ
- Το Πλαίσιο Μάθησης PAC
- Εγγυήσεις για πεπερασμένο σύνολο υποθέσεων – συνεπής περίπτωση
- Εγγυήσεις για πεπερασμένο σύνολο υποθέσεων – ασυνεπής περίπτωση
- Γενικότητες
- Ντετερμινιστικά έναντι στοχαστικών σεναρίων
- Θόρυβος σφάλματος Bayes
- Σφάλματα εκτίμησης και προσέγγισης
- Επιλογή μοντέλου
- Πολυπλοκότητα Radmeacher και Διάσταση VC
- Αντιστάθμιση μεροληψίας - διακύμανσης
- Κανονικοποίηση
- Υπερπροσαρμογή
- Επικύρωση
- Μηχανές Διανυσμάτων Υποστήριξης
- Kriging (παλινδρόμηση διαδικασίας Gauss)
- PCA και Kernel PCA
- Αυτο-οργανούμενοι Χάρτες (SOM)
- Διανυσματικός χώρος επαγόμενος από πυρήνα
- Πυρήνες Mercer και μετρικές ομοιότητας επαγόμενες από πυρήνα
- Ενισχυτική Μάθηση
ΗΜΕΡΑ 3 - ΒΑΘΙΑ ΜΑΘΗΣΗ
Αυτό θα διδαχθεί σε σχέση με τα θέματα που καλύφθηκαν την Ημέρα 1 και την Ημέρα 2
- Λογιστική και Softmax Παλινδρόμηση
- Αραιοί Αυτοκωδικοποιητές
- Διανυσματοποίηση, PCA και Λεύκανση
- Αυτοδίδακτη Μάθηση
- Βαθιά Δίκτυα
- Γραμμικοί Αποκωδικοποιητές
- Συνέλιξη και Συνένωση
- Αραιή Κωδικοποίηση
- Ανάλυση Ανεξάρτητων Συνιστωσών
- Ανάλυση Κανονικής Συσχέτισης
- Επιδείξεις και Εφαρμογές
Απαιτήσεις
Καλή κατανόηση των μαθηματικών.
Καλή κατανόηση της βασικής στατιστικής.
Βασικές δεξιότητες προγραμματισμού δεν απαιτούνται αλλά συνιστώνται.
Σχόλια (2)
Εργασία από τη βάση με εστιασμένο τρόπο και μετάβαση στην εφαρμογή περιπτώσεων στο ίδιο χρονικό διάστημα
Maggie Webb - Department of Jobs, Regions, and Precincts
Κομμάτι - Artificial Neural Networks, Machine Learning, Deep Thinking
Μηχανική Μετάφραση
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Κομμάτι - Artificial Neural Networks, Machine Learning, Deep Thinking
Μηχανική Μετάφραση
