Εξέλιξη Κομματιού

  1. Επισκόπηση νευρωνικών δικτύων και βαθιάς μάθησης
    • Η ιδέα της Μηχανικής Μάθησης (ML)
    • Γιατί χρειαζόμαστε νευρωνικά δίκτυα και βαθιά μάθηση;
    • Επιλογή δικτύων για διάφορα προβλήματα και τύπους δεδομένων
    • Μάθηση και επαλήθευση νευρωνικών δικτύων
    • Σύγκριση της λογιστικής παλινδρόμησης με τα νευρωνικά δίκτυα
  2. Νευρωνικό Δίκτυο
    • Βιολογικές έμπνευσης για τα νευρωνικά δίκτυα
    • Νευρωνικά Δίκτυα – Νευρώνιο, Περσέπτρον και MLP (Μοντέλο πολυσημειωμένου περσέπτρον)
    • Μάθηση του MLP – αλγόριθμος αναδρομικής μάθησης
    • Συναρτήσεις ενεργοποίησης – γραμμικές, σιγμοειδή, Tanh, Softmax
    • Συναρτήσεις απώλειας κατάλληλες για πρόβλεψη και ταξινόμηση
    • Παραμέτροι – ρυθμός μάθησης, ανακύκλωση, δυναμισμός
    • Κατασκευή Νευρωνικών Δικτύων σε Python
    • Αξιολόγηση του επιδόσιμου των νευρωνικών δικτύων σε Python
  3. Βασικά των Βαθιών Δικτύων
    • Τι είναι η βαθιά μάθηση;
    • Αρχιτεκτονική των Βαθιών Δικτύων – παράμετροι, στρώματα, συναρτήσεις ενεργοποίησης, συναρτήσεις απώλειας, λύτες
    • Περιορισμένα Μηχανήματα Boltzmann (RBMs)
    • Αυτόκωδικοί (Autoencoders)
  4. Αρχιτεκτονικές Βαθιών Δικτύων
    • Βαθιά Πίστη στα Δίκτυα (DBN) – αρχιτεκτονική, εφαρμογή
    • Αυτόκωδικοι (Autoencoders)
    • Περιορισμένα Μηχανήματα Boltzmann
    • Νευρωνικό Δίκτυο Σύνθεσης (Convolutional Neural Network)
    • Αναδρομικό Νευρωνικό Δίκτυο (Recursive Neural Network)
    • Αναδρομικό Νευρωνικό Δίκτυο (Recurrent Neural Network)
  5. Επισκόπηση βιβλιοθήκων και διεπαφών που είναι διαθέσιμες στο Python
    • Caffee
    • Theano
    • Tensorflow
    • Keras
    • Mxnet
    • Επιλογή κατάλληλης βιβλιοθήκης για το πρόβλημα
  6. Κατασκευή βαθιών δικτύων σε Python
    • Επιλογή κατάλληλης αρχιτεκτονικής για το δεδομένο πρόβλημα
    • Υβριδικά βαθιά δίκτυα
    • Μάθηση του δικτύου – κατάλληλη βιβλιοθήκη, ορισμός αρχιτεκτονικής
    • Παρακαμπυλισμός του δικτύου – προσαρμογή, συναρτήσεις ενεργοποίησης, συναρτήσεις απώλειας, μέθοδος βελτιστοποίησης
    • Εξάρτηση από τη υπερβολική προσαρμογή – ανίχνευση προβλημάτων υπερβολικής προσαρμογής σε βαθιά δίκτυα, ανακύκλωση
    • Αξιολόγηση των βαθιών δικτύων
  7. Σπουδή περιπτώσεων σε Python
    • Αναγνώριση εικόνας – CNN
    • Εύρεση ατυποτελεσμάτων με τους Αυτόκωδικους (Autoencoders)
    • Πρόβλεψη χρονοσειρών με RNN
    • Μείωση διαστάσεων με τους Αυτόκωδικους (Autoencoder)
    • Ταξινόμηση με RBM

Απαιτήσεις

Επιθυμητή είναι η γνώση/εκτίμηση της μηχανικής μάθησης, της αρχιτεκτονικής συστημάτων και των γλωσσών προγραμματισμού

 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Σχόλια (2)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες