Course Outline

    Επισκόπηση των νευρωνικών δικτύων και της βαθιάς μάθησης Η έννοια της Μηχανικής Μάθησης (ML) Γιατί χρειαζόμαστε νευρωνικά δίκτυα και βαθιά μάθηση; Επιλογή δικτύων για διαφορετικά προβλήματα και τύπους δεδομένων Εκμάθηση και επικύρωση νευρωνικών δικτύων Σύγκριση λογιστικής παλινδρόμησης σε νευρωνικό δίκτυο Νευρωνικό δίκτυο Βιολογικές εμπνεύσεις σε νευρωνικά δίκτυα Νευρωνικά δίκτυα – Neuron, Perceptron και MLP (Multilayer Perceptron model) Learning MLP – backpropagation algorithm Συναρτήσεις ενεργοποίησης – γραμμική, sigmo , Tanh, Softmax Λειτουργίες απώλειας κατάλληλες για πρόβλεψη και ταξινόμηση Παράμετροι – ρυθμός εκμάθησης, τακτοποίηση, ορμή Δόμηση νευρωνικών δικτύων στο Python Αξιολόγηση της απόδοσης των νευρωνικών δικτύων στο Python Βασικά στοιχεία των δικτύων σε βάθος Τι είναι η βαθιά μάθηση; Αρχιτεκτονική των δικτύων βαθιάς – Παράμετροι, επίπεδα, συναρτήσεις ενεργοποίησης, συναρτήσεις απώλειας, λύτες Περιορισμένες μηχανές Boltzman (RBM) Αυτοκωδικοποιητές Αρχιτεκτονικές βαθιών δικτύων Δίκτυα βαθιάς πεποίθησης (DBN) – αρχιτεκτονική, εφαρμογή Αυτοκωδικοποιητές Περιορισμένο δίκτυο Boltzmann Επαναληπτική Συνελικτική Μηχανήματα Δικτύου βιβλιοθηκών και διεπαφών που διατίθενται στο Python Caffee Theano Tensorflow Keras Mxnet Επιλογή κατάλληλης βιβλιοθήκης για το πρόβλημα Δημιουργία δικτύων σε βάθος στο Python Επιλογή κατάλληλης αρχιτεκτονικής για δεδομένο πρόβλημα Υβριδικά βαθιά δίκτυα Εκμάθηση δικτύου – κατάλληλη βιβλιοθήκη, ορισμός αρχιτεκτονικής Δίκτυο συντονισμού – αρχικοποίηση, λειτουργίες ενεργοποίησης , συναρτήσεις απώλειας, μέθοδος βελτιστοποίησης Αποφυγή υπερπροσαρμογής – ανίχνευση προβλημάτων υπερπροσαρμογής σε βαθιά δίκτυα, τακτοποίηση Αξιολόγηση δικτύων σε βάθος Python Αναγνώριση εικόνας – CNN Ανίχνευση ανωμαλιών με αυτόματους κωδικοποιητές Πρόβλεψη χρονοσειρών με RNN Μείωση διαστάσεων με Ταξινόμηση αυτοκωδικοποιητή με RBM

 

Requirements

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

  14 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Related Courses

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

  21 Hours

Related Categories