Faisnéis Riaracháin
| Teideal | Tiúnadh hipearpharaiméadar |
| Fad ama | 60 |
| Modúl | B |
| Cineál ceachta | Léacht |
| Fócas | Teicniúil — Foghlaim Dhomhain |
| Ábhar | Tiúnadh hipearpharaiméadar |
Eochairfhocail
Tiúnadh hyperparameter, feidhmeanna gníomhachtaithe, caillteanas, epochs, méid bhaisc,
Spriocanna Foghlama
- Éifeachtaí ar thoilleadh agus ar dhoimhneacht a imscrúdú
- Experient le epochs éagsúla agus méideanna baisce
- Feidhmeanna gníomhachtúcháin éagsúla agus rátaí foghlama éagsúla a thriail
An tUllmhúchán a bhfuil coinne leis
Imeachtaí Foghlama le Críochnú Roimh
Éigeantach do Mhic Léinn
Ceann ar bith.
Roghnach do Mhic Léinn
Ceann ar bith.
Teistiméireachtaí agus cúlra do mhic léinn
- John D Kelleher agus Brain McNamee. (2018), Basics of Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Líonraí Néaracha agus Dhomhainfhoghlaim, 1. Preas diongbháilteachta, San Francisco CA Stáit Aontaithe Mheiriceá.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Domhainfhoghlaim le Keras, Packt, [ISBN: 9781787128422].
Molta do Mhúinteoirí
Ceann ar bith.
Ábhair cheachta
Treoracha do Mhúinteoirí
Cuirfidh an léacht seo bunghnéithe thiúnadh hipearpharaiméadar in aithne do mhic léinn. Bainfimid úsáid as an Tacar Sonraí Daonáirimh mar shamplaí den úsáid agus de na torthaí ó hipiriméadair éagsúla a thiúnáil. Is fadhb aicmithe dhénártha é tacar sonraí an Daonáirimh Aosaigh. Tuilleadh faoin tacar sonraí seo sa rang teagaisc comhfhreagrach. Is é cuspóir na léachta seo roinnt hipearpharaiméadar a thabhairt isteach le samplaí de conas a d’fhéadfadh modhnú a dhéanamh ar na hipearpharaiméadair sin cabhrú nó bac a chur ar an bhfoghlaim. Ina theannta sin a chuirimid ar fáil samplaí de ghnóthachain faoi agus ró-fheistiú, srón agus feidhmíochta (am oiliúna agus i gcásanna áirithe cruinneas/caillteanas) nuair a bhíonn gach ceann de na hyperparameters tunned. Bainfimid úsáid as ceapacha diagnóiseacha chun meastóireacht a dhéanamh ar éifeacht an tunning hyperparameter agus go háirithe fócas ar chaillteanas, áit ar chóir a thabhairt faoi deara go bhfuil an modúl a úsáidimid chun an caillteanas a bhreacadh matplotlib.pyplot, dá bhrí sin scálaítear an ais. D’fhéadfadh sé go gciallódh sé sin nach bhfuil difríochtaí suntasacha suntasach nó a mhalairt nuair a chuirtear caillteanas na sonraí oiliúna nó tástála i gcomparáid le chéile. Ina theannta sin, cuirtear roinnt saoirsí le haghaidh scafall i láthair, mar shampla Epochs a úsáid ar dtús (beagnach mar theicníc tabhairt chun rialtachta) agus an méid baisc a choinneáil tairiseach. Go hidéalach bheadh siad seo tunned le chéile, ach don léacht seo tá siad scartha óna chéile.
Breac-chuntas
| Fad ama (Min) | Tuairisc |
|---|---|
| 5 | Forléargas ar na sonraí |
| 10 | Toilleadh agus doimhneacht ag rith (faoi fheistiú agus rófheistiú) |
| 10 | Epochs (faoi oiliúint agus faoi oiliúint) |
| 10 | Méideanna baisce (le haghaidh sochtadh torainn) |
| 10 | Feidhmeanna gníomhachtaithe (agus a n-éifeachtaí ar fheidhmíocht — am agus cruinneas) |
| 10 | Rátaí foghlama (vanilla, LR Decay, Momentum, Oiriúnú) |
| 5 | Athchaidhpeáil ar an bpróiseas chun tosaigh |
Admhálacha
Rinne Saoráid um Chónascadh na hEorpa den Aontas Eorpach Faoi Dheontas CEF-TC-2020-1 Scileanna Digiteacha 2020-AE-IA-0068 comhairgeadú ar an gclár Máistreachta intleachta saorga ar Tháinig an Duine air.