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 πινάκων άλγεβρας.
- Έννοιες χώρου κατάστασης.
- Έννοιες βελτιστοποίησης.
- Μάθηση με διόρθωση σφάλματος.
- Μάθηση βασισμένη στη μνήμη.
- Μάθηση Hebb.
- Ανταγωνιστική μάθηση.
Αισθητήρες ενός επιπέδου.
- Δομή και μάθηση αισθητήρων.
- Ταξινομητής προτύπων – εισαγωγή και ταξινομητές Bayes.
- Ο αισθητήρας ως ταξινομητής προτύπων.
- Σύγκλιση αισθητήρα.
- Περιορισμοί ενός αισθητήρα.
ΤΝΔ πρόσθιας τροφοδότησης.
- Δομές πολυεπίπεδων δικτύων πρόσθιας τροφοδότησης.
- Αλγόριθμος ανάστροφης διάδοσης.
- Ανάστροφη διάδοση – εκπαίδευση και σύγκλιση.
- Προσέγγιση συναρτήσεων με ανάστροφη διάδοση.
- Πρακτικά και σχεδιαστικά ζητήματα της μάθησης με ανάστροφη διάδοση.
Δίκτυα Συναρτήσεων Ακτινικής Βάσης.
- Διαχωρισιμότητα προτύπων και παρεμβολή.
- Θεωρία Κανονικοποίησης.
- Κανονικοποίηση και δίκτυα RBF.
- Σχεδίαση 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.
- Σχεδίαση ασαφών συστημάτων.
- Σχεδίαση 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 – μη συνεπής περίπτωση
- Γενικεύσεις
- Αιτιοκρατικά έναντι Στοχαστικών σεναρίων
- Θόρυβος σφάλματος Bayes
- Σφάλματα εκτίμησης και προσέγγισης
- Επιλογή μοντέλου
- Πολυπλοκότητα Radmeacher και Διάσταση VC
- Αντιστάθμιση Πόλωσης-Διακύμανσης
- Κανονικοποίηση
- Υπερπροσαρμογή
- Επικύρωση
- Μηχανές Διανυσμάτων Υποστήριξης
- Kriging (Παλινδρόμηση Γκαουσιανών Διεργασιών)
- PCA και Kernel PCA
- Χάρτες Αυτο-οργάνωσης (SOM)
- Διανυσματικός χώρος που επάγεται από πυρήνα
- Πυρήνες Mercer και Μετρικές ομοιότητας που επάγονται 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 Συνάθροιση
- Αραιή Κωδικοποίηση
- Ανάλυση Ανεξάρτητων Συνιστωσών
- Ανάλυση Κανονικής Συσχέτισης
- Επιδείξεις και Εφαρμογές
Απαιτήσεις
Καλή κατανόηση των μαθηματικών.
Καλή κατανόηση βασικών στατιστικών.
Δεν απαιτούνται, αλλά συνιστώνται βασικές δεξιότητες προγραμματισμού.
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
