Advanced Deep Learning Techniques

Kód kurzu: ADLTML

Kurz je učen 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.

Odborní
certifikovaní lektori

Mezinárodne
uznávané certifikácie

Široká ponuka technických
a soft skills kurzov

Skvelý zákaznicky
servis

Prispôsobenie kurzov
presne na mieru

Termíny kurzov

Počiatočný dátum: Individuálny

Forma: Prezenčná/Virtuálna

Dĺžka kurzu: 1 deň

Jazyk: en/cz

Cena bez DPH: 194 EUR

Registrovať

Počiatočný
dátum
Miesto
konania
Forma Dĺžka
kurzu
Jazyk Cena bez DPH
Individuálny Prezenčná/Virtuálna 1 deň en/cz 194 EUR Registrovať
G Garantovaný kurz

Nenašli ste vhodný termín?

Napíšte nám o vypísanoe alternatívneho termínu na mieru.

Kontakt

Štruktúra 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)

Predpokladané znalosti

  • Základní znalost programování v Pythonu
  • Středoškolské znalosti lineární algebry, matematické analýzy a teorie pravděpodobnosti. Bude předpokládáno základní porozumění pojmům jako vektor, matice, vektorový prostor, pravděpodobnost, podmíněná pravděpodobnost, nezávislost náhodných jevů a znalost násobení matic a derivace funkcí.
  • Znalosti strojového učení na úrovni kurzu Úvod do strojového učení

Potrebujete poradiť alebo upraviť kurz na mieru?

daniel

Daniel Šťastný

pruduktová podpora