AI610 AI620 AI625 ABB Аналоговый вход

AI610 AI620 AI625 ABB Аналоговый Вход?

AI610 AI620 AI625 ABB Аналоговый Вход?

Этот курс преследует двойную цель: во-первых, он представляет фундаментальные аспекты искусственных нейронных сетей (ИНС), а во-вторых, знакомит с более сложными темами, такими как сети глубокого обучения (Deep Learning, DL). После краткого обзора традиционных нейронных сетей и процессов обучения курс будет посвящен современным практикам глубоких сетей, включая обучение, оптимизацию, сверточные сети, рекуррентные и рекурсивные сети. Кроме того, курс будет сосредоточен на практических методах, касающихся проектирования, предварительной обработки данных, выбора гиперпараметров, реализации и оценки производительности системы глубокого обучения, а также применении технологий глубокого обучения к реальным проблемам, таким как майнинг больших данных, обработка изображений и обработка естественного языка.

После успешного завершения этого курса студенты должны быть способны: ? вспоминать основные алгоритмы и методы базовых искусственных нейронных сетей, а также их алгоритмы обучения; ? обсуждать, объяснять и докладывать о различных алгоритмах глубокого обучения для конкретной проблемы; ? выбирать и интерпретировать подходящий алгоритм/метод, чтобы соответствовать спецификациям проблемы; ? анализировать и комбинировать известные технологии для решения реальных проблем; ? анализировать и предварительно обрабатывать предоставленные данные, чтобы они подходили для алгоритмов/методов ИНС и глубокого обучения; ? объединять различные части системы (предварительно обработанные данные, реализованные алгоритмы, пользовательский интерфейс) для создания новой работающей системы обучения; ? оценивать производительность разработанной системы обучения; ? обсуждать фундаментальные концепции нескольких типов глубоких нейронных сетей; ? применять подходы глубокого обучения к различным задачам.

Наш Email: 2235954483@qq.com

Контактный номер: 13313705507

Контактное лицо: HE

Основы машинного обучения: Представление некоторых взглядов на традиционные методы машинного обучения, такие как нейронные сети (NNs), которые сильно повлияли на развитие алгоритмов глубокого обучения. После краткого введения в нейронные сети мы обсудим модель нейрона и архитектуры сетей. Затем представлены различные типы процессов обучения. Наконец, обсуждаются несколько аспектов обучения однослойного перцептрона. Глубокие прямые нейронные сети: Представление моделей глубоких нейронных сетей для аппроксимации функций. Обсуждается простой пример обучения и обучение на основе градиента, а также другие аспекты, такие как скрытые единицы и проектирование архитектуры. Затем рассматриваются основы алгоритма обратного распространения ошибки для глубокого обучения и его вариации. Относительные алгоритмы анализируются подробно, и обсуждаются аспекты реализации. Регуляризация для глубокого обучения: Представление выбранных передовых методов регуляризации и оптимизации моделей глубоких сетей, таких как штрафование нормы параметров, нормативные штрафы в качестве ограниченной оптимизации и расширение набора данных. Кроме того, обсуждаются полунадзорное парадигма обучения и методы извлечения признаков, методы бэггинга и ансамблей. Оптимизация для обучения глубоких моделей: Обсуждаются несколько проблем оптимизации обучения, такие как оптимизация параметров и адаптивные скорости обучения. Кроме того, представлены и проанализированы соответствующие алгоритмы, а также стратегии оптимизации и метаалгоритмы. Сверточные нейронные сети (CNNs): Введение в сверточные сети для масштабирования на большие наборы данных. Представление основных строительных блоков сверточных нейронных сетей, таких как сверточные фильтры и их характеристики (шаг, глубина, ширина), функции активации, оператор объединения. Обсуждаются несколько аспектов операции свертки, а также представлены эффективные алгоритмы для случайных или неконтролируемых признаков, а также нейросетевая основа сверточных сетей. Моделирование последовательностей: Рекуррентные и рекурсивные нейронные сети (RNNs): Представлены глубокие рекуррентные и рекурсивные нейронные сети для обработки временных последовательностей. Обсуждается проблема долгосрочных зависимостей, описание длинной краткосрочной памяти и других механизмов управления, а также аспекты оптимизации. Практическая методология: Обсуждаются общие руководящие принципы практической методологии, связанной с проектированием, построением и конфигурированием приложения, включающего глубокое обучение. Эти аспекты включают метрики производительности, базовые модели, сбор дополнительных данных, выбор гиперпараметров и стратегии отладки. Пример показывает, как справляться с этими аспектами.