Verwaltungsinformationen
| Titel | Chargenverarbeitung |
| Dauer | 60 Minuten |
| Modulen | B |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technisches – Deep Learning |
| Themenbereich | Chargenverarbeitung |
Suchbegriffe
Charge, Minibatch, Epoche,
Lernziele
- Mechanismen hinter Batch-Verarbeitung und Rückenausbreitung verstehen
- Gradient Descent, Batch vs Minibatch vs Epoch
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
Keine.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
Siehe Vorlesungsmaterial für Informationen und Beispiel-Klassenfragen.
Gliederung
| Dauer (Min.) | Beschreibung |
|---|---|
| 10 | Abbildung von Gradient Descent |
| 10 | Zusammenfassung der Verlustfunktion |
| 10 | Idee und Gründe für Batching |
| 5 | Chargengradient Descent |
| 5 | Stochastische Gradient Descent |
| 5 | Mini-Batch Gradient Descent |
| 10 | Algorithmus für eine Epoche |
| 5 | Wrap-up und Fragen |
Danksagung
Monica Zuccarini, Maddalena Molaro und Carlo Sansone
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.