Detail kurzu

Advanced Deep Learning Techniques

EDU Trainings s.r.o.

Popis kurzu

Kurz je určen pro zájemce o hlubší porozumění umělým neuronovým sítím a hlavě takzvanému hlubokému učení. Předpokládá se základní znalost principů na úrovni kurzu Úvod do strojového učení, které se v kurzu využije pro vysvětlení pokročilejších architektur a technik. Zvláštní pozornost bude věnována možnostem interpretovatelnosti modelů strojového učení.

Obsah kurzu

Architektury neuronových sítí (feed-forward, rekurentní, konvoluční, generativní, autoenkodéry, Unet, GAN, attention layer)
Optimalizátory a jejich evoluce (Steepest Gradient Descent, Stochastic Gradient Descent, Mini-Batch Gradient Descent, Nesterov Accelerated Gradient, Adagrad, AdaDelta, Adam, hledání učicích koeficientů)
Chybové funkce a jejich vlastnosti (Mean squared error, Mean absolute error, Negative Log Likelihood)
Regularizace neuronových sítí (Dropout, Early stopping, Data augmentation, Batch and layer normalization)
Inicializace neuronových sítí (Gradient vanishing problem, Zero initialization, He initialization, Xavier initialization)
Semi-supervised learning (Pseudo Labeling, Mean-Teacher, PI-Model)
Odhad spolehlivosti predikcí (Logit analysis, Confidence networks)
AutoML (automatické hledání hyperparametrů, grid search, Bayesian optimization, meta-learning, automatické hledání architektur neuronových sítí)
Praktické příklady s knihovnou AutoKeras
Interpretovatelnost modelů strojového učení (přímo interpretovatelné modely, Partial Dependence Plot, Permutation feature importance, Surrogate models, Activation Maximization, Grad-CAM)
Certifikát Na dotaz.
Hodnocení




Organizátor