Administrative oplysninger
| Titel | Neurale netværk |
| Varighed | 60 |
| Modul | A |
| Lektionstype | Forelæsning |
| Fokus | Praktisk — modellering af kunstig intelligens |
| Emne | Modellering af kunstig intelligens |
Nøgleord
Neuralt netværk, backpropagation, optimering,
Læringsmål
- Eleverne forstår MLP-arkitekten
- Eleverne kan konstruere neurale netværk med fuldt forbundne lag og forskellige aktiveringsfunktioner
- Eleverne forstår den grundlæggende idé om backpropagation og gradient-baserede metoder
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Gennemgang af lineær algebra og vektor calculus.
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
Anbefalet til lærerne
- Gør sig bekendt med demonstrationsmaterialet.
Undervisningsmaterialer
Instruktioner til lærerne
Dække emnerne i lektionsoversigten og demonstrere begreberne ved hjælp af interaktive notesbøger (form af tabsfunktionen w.r.t. forskellige regularizers, gradient-baserede optimeringsalgoritmer). Giv et kort overblik over koden.
Oversigt/tidsplan
| Varighed (min) | Beskrivelse | Koncepter |
|---|---|---|
| 5 | Fra logistisk regression til perceptron | input, vægte, bias, sigmoid funktion |
| 10 | Multilagsperceptron og matrixmultiplikationer | input lag, skjult lag, output lag |
| 20 | Afledning af backpropagationsordningen | gradient nedstigning, læringshastighed, backpropagation |
| 10 | Aktiveringsfunktioner | ReLU, sigmoid, tanh, softmax osv. |
| 10 | Tabsfunktioner til klassificering og regression | MSE, binær og kategorisk krydsentropi |
| 5 | Demonstration |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.