Course Outline
1η ΗΜΕΡΑ - ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Εισαγωγή και Δομή ΑΝΝ.
- Bioλογικοί νευρώνες και τεχνητοί νευρώνες. Μοντέλο ΑΝΝ. Λειτουργίες ενεργοποίησης που χρησιμοποιούνται στα ANN. Τυπικές τάξεις αρχιτεκτονικών δικτύου .
Mathematical Θεμέλια και μηχανισμοί μάθησης.
- Επισκεφτείτε ξανά τη διάνυσμα και την άλγεβρα μήτρας. Έννοιες κατάστασης-χώρου. Έννοιες βελτιστοποίησης. Μάθηση διόρθωσης σφαλμάτων. Μάθηση με βάση τη μνήμη. Hebbian μάθηση. Αγωνιστική μάθηση.
Perceptron μονής στιβάδας.
- Δομή και εκμάθηση των perceptrons. Ταξινομητής μοτίβων - εισαγωγή και ταξινομητές Bayes. Το Perceptron ως ταξινομητής προτύπων. Σύγκλιση Perceptron. Περιορισμοί ενός perceptrons.
Feedforward ANN.
- Δομές δικτύων προώθησης πολλαπλών επιπέδων. Αλγόριθμος διάδοσης προς τα πίσω. Πίσω διάδοση - εκπαίδευση και σύγκλιση. Λειτουργική προσέγγιση με πίσω διάδοση. Πρακτικά και σχεδιαστικά ζητήματα εκμάθησης οπισθοδιπλασιασμού.
Δίκτυα συναρτήσεων ακτινικής βάσης.
- Διαχωρισιμότητα και παρεμβολή προτύπων. Θεωρία Κανονισμού. Τακτοποίηση και RBF δίκτυα. Σχεδιασμός και εκπαίδευση δικτύου RBF. Ιδιότητες προσέγγισης του RBF.
Ανταγωνιστική μάθηση και αυτοοργάνωση ANN.
- Γενικές διαδικασίες ομαδοποίησης. Εκμάθηση Διανυσματική Κβαντοποίηση (LVQ). Ανταγωνιστικοί αλγόριθμοι και αρχιτεκτονικές μάθησης. Αυτοοργάνωση χαρακτηριστικών χαρτών. Ιδιότητες χαρακτηριστικών χαρτών.
Ασαφής Neural Networks.
- Νευρο-ασαφή συστήματα. Υπόβαθρο ασαφών συνόλων και λογικής. Σχεδιασμός ασαφών μίσχων. Σχεδιασμός ασαφών ANN.
Εφαρμογές
- Θα συζητηθούν μερικά παραδείγματα εφαρμογών νευρωνικών δικτύων, τα πλεονεκτήματα και τα προβλήματά τους.
ΗΜΕΡΑ -2 ΜΗΧΑΝΗΜΑΤΙΚΗ ΕΚΠΑΙΔΕΥΣΗ
- The PAC Learning Framework Εγγυήσεις για πεπερασμένο σύνολο υποθέσεων – συνεπής περίπτωση Εγγυήσεις για σύνολο πεπερασμένων υποθέσεων – ασυνεπής περίπτωση Γενικότητες Deterministic cv. Στοχαστικά σενάρια Θόρυβος σφάλματος Bayes Σφάλματα εκτίμησης και προσέγγισης Επιλογή μοντέλου
Requirements
Καλή κατανόηση των μαθηματικών.
Goη κατανόηση βασικών στατιστικών.
Δεν απαιτούνται βασικές δεξιότητες προγραμματισμού, αλλά συνιστάται.
Testimonials (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
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.