Informazioni amministrative
Titolo | Sintonizzazione dell'iperparametro |
Durata | 60 |
Modulo | B |
Tipo di lezione | Lezione |
Focus | Tecnico — Apprendimento profondo |
Argomento | Sintonizzazione dell'iperparametro |
Parole chiave
Sintonizzazione dell'iperparametro, funzioni di attivazione, perdita, epoche, dimensioni dei lotti,
Obiettivi di apprendimento
- Studiare gli effetti sulla capacità e la profondità
- Esperto con diverse epoche e dimensioni dei lotti
- Prova diverse funzioni di attivazione e tassi di apprendimento
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
Nessuno.
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- John D. Kelleher e Brain McNamee (2018), Fondamenti dell'apprendimento automatico per l'analisi predittiva dei dati, MIT Press.
- Michael Nielsen. (2015), Reti neurali e apprendimento profondo, 1. Pressa di determinazione, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Reti neurali e apprendimento profondo, 1. Springer
- Antonio Gulli, Sujit Pal. Apprendimento profondo con Keras, Packt, [ISBN: 9781787128422].
Consigliato per gli insegnanti
Nessuno.
Materiale didattico
Istruzioni per gli insegnanti
Questa lezione introdurrà gli studenti ai fondamenti della messa a punto dell'iperparametro. Useremo il set di dati del censimento come esempi di utilizzo e risultati della messa a punto di vari ipermetri. Il dataset del censimento degli adulti è un problema di classificazione binaria. Ulteriori informazioni su questo set di dati nel tutorial corrispondente. L'obiettivo di questa lezione è quello di introdurre diversi iperparametri con esempi di come modificare questi iperparametri può aiutare o ostacolare l'apprendimento. Inoltre forniamo esempi di sotto e overfitting, aumento del naso e delle prestazioni (tempo di allenamento e in alcuni casi accuratezza/perdita) quando ciascuno degli iperparametri è sintonizzato. Utilizzeremo diagrammi diagnostici per valutare l'effetto dell'iperparametro tunning e in particolare un focus sulla perdita, dove va notato che il modulo che usiamo per tracciare la perdita è matplotlib.pyplot, quindi l'asse viene scalato. Ciò può significare che le differenze significative possono apparire non significative o viceversa quando si confronta la perdita dei dati di allenamento o di prova. Inoltre vengono presentate alcune libertà per i ponteggi, come l'uso di Epochs prima (quasi come tecnica di regolarizzazione) mantenendo costante la dimensione del Batch. Idealmente questi sarebbero stati messi insieme, ma per questa lezione sono separati.
Contorno

Durata (min) | Descrizione |
---|---|
5 | Panoramica dei dati |
10 | Regolazione della capacità e della profondità (sotto e sopra il montaggio) |
10 | Epoche (sotto e oltre l'allenamento) |
10 | Dimensioni dei lotti (per la soppressione del rumore) |
10 | Funzioni di attivazione (e i loro effetti sulle prestazioni — tempo e precisione) |
10 | Tassi di apprendimento (vaniglia, LR Decay, Momentum, Adaptive) |
5 | Riepilogo sul processo forward pass |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.