Administrativní informace
| Název | Neuronové sítě |
| Trvání | 60 |
| Modul | A |
| Typ lekce | Přednáška |
| Soustředění | Praktické – modelování umělé inteligence |
| Téma | Modelování umělé inteligence |
Klíčová slova
Neuronová síť,backpropagation,optimalizace,
Vzdělávací cíle
- Studenti rozumí architektuře MLP
- Studenti mohou vytvářet neuronové sítě s plně propojenými vrstvami a různými aktivačními funkcemi.
- Studenti chápou základní myšlenku backpropagace a metody založené na gradientech
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Přehled lineární algebry a vektorového počtu.
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
Doporučeno pro učitele
- Seznamte se s demonstračními materiály.
Pokyny pro učitele
Pokryjte témata v osnově lekce a demonstrujte koncepty pomocí interaktivních poznámkových bloků (tvar ztrátové funkce w.r.t. různé regularizéry, algoritmy optimalizace založené na gradientech). Poskytněte stručný přehled kódu.
Osnova/časový rozvrh
| Doba trvání (min) | Popis | Koncepty |
|---|---|---|
| 5 | Od logistické regrese k perceptronu | vstup, závaží, předpojatost, sigmoidní funkce |
| 10 | Vícevrstvé perceptronové a maticové násobení | vstupní vrstva, skrytá vrstva, výstupní vrstva |
| 20 | Odvození systému zpětného šíření | gradient sestup, míra učení, backpropagation |
| 10 | Aktivační funkce | ReLU, sigmoid, tanh, softmax atd. |
| 10 | Ztrátové funkce pro klasifikaci a regresi | MSE, binární a kategorická křížová entropie |
| 5 | Demonstrace |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.