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
Radmeacher Complexity and VC – DimensionΜεροληψία - Ανταλλαγή διακύμανσης
  • Τακτοποίηση
  • Υπερβολική εφαρμογή
  • Επικύρωση
  • Υποστήριξη διανυσματικά μηχανήματα
  • Kriging (παλίνδρομη διαδικασίας Gauss)
  • PCA και Kernel PCA
  • Χάρτες αυτοοργάνωσης (SOM)
  • Διανυσματικός χώρος επαγόμενος από πυρήνα Mercer Kernels και Kernel - μετρήσεις ομοιότητας που προκαλούνται
  • Reinforcement Learning
  • ΗΜΕΡΑ 3 - ΒΑΘΙΑ ΜΑΘΗΣΗ
  • Αυτό θα διδαχθεί σε σχέση με τα θέματα που καλύπτονται την Ημέρα 1 και Ημέρα 2
  • Logistic and Softmax Regression Sparse Autoencoders Vectorization, PCA and Whitening Αυτοδίδακτος Μάθηση Deep Networks Γραμμικοί αποκωδικοποιητές Συνέλιξη και ομαδοποίηση αραιής κωδικοποίησης Ανεξάρτητη ανάλυση στοιχείων Κανονική ανάλυση συσχέτισης Επίδειξη και εφαρμογές
  • Requirements

    Καλή κατανόηση των μαθηματικών.

    Goη κατανόηση βασικών στατιστικών.

    Δεν απαιτούνται βασικές δεξιότητες προγραμματισμού, αλλά συνιστάται.

      21 Hours

    Number of participants



    Price per participant

    Testimonials (2)

    Related Courses

    Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

      21 Hours

    Related Categories