[tämä sivu wikissä][indeksi][EN][BG][CS][DA][DE][EL][ES][ET][FI][FR][GA][HR][HU][IT][MT][NL][PL][PT][RO][SK][SL][SV]

Luento: Generatiiviset mallit, syväoppimisen ja hybridioppimisen mallit

Hallinnolliset tiedot

Otsikko Generatiiviset mallit, syväoppimisen ja hybridioppimisen mallit
Kesto 45–60
Moduuli C
Oppitunnin tyyppi Luento
Keskittyminen Tekninen – Tulevaisuuden tekoäly
Aihe ML-mallien edistyminen HC-objektiivin läpi – tulosorientoitunut tutkimus

Avainsanoja

Generatiiviset mallit,Attention Detection,Query-Key-Value,Muutosmallit,Hybridimallit,

Oppimistavoitteet

Odotettu valmistelu

Pakollinen opiskelijoille

  • Koneoppimisen ja syväoppimisen käsitteiden esittely aiemmissa luennoissa

Valinnainen opiskelijoille

Suositellaan opettajille

Ei mitään.

Oppituntimateriaalit

Ohjeita opettajille

Tässä luennossa päätavoitteemme ovat kolmiosaiset. Ensinnäkin pyrimme ymmärtämään generatiivisia malleja kattavasti keskittyen niiden taustalla oleviin mekanismeihin ja keskeisiin ominaisuuksiin. Toiseksi keskustelemme Transformer Architecturesin merkityksestä erityisesti luonnollisen kielenkäsittelyn (NLP) yhteydessä. Lopuksi luento käsittelee Hybridimallien eri kokoonpanoja korostaen erilaisten elementtien fuusiota koneoppimisen suorituskyvyn parantamiseksi.

Hahmotella

Kesto Kuvaus Käsitteet
15 min Johdatus geneerisiin malleihin, geneeristen mallien luokittelu Mitkä ovat generatiiviset mallit?Miksi ne ovat tärkeitä? Mihin niitä voidaan käyttää? Luokittelu, Keskeiset ominaisuudet, Esimerkkejä
20 min Johdatus Transformer-arkkitehtuureihin Muuntajaarkkitehtuuri, huippuluokan muuntajat, kuten BERT ja GTP
10 min Johdatus hybridioppimiseen Mikä on hybridioppiminen?Miksi se on tärkeää?Mihin niitä voidaan käyttää?
5 min Johtopäätökset, kysymykset ja vastaukset Yhteenveto

Tunnustukset

Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).