Haldusteave
| Ametinimetus | Närvivõrgud |
| Kestus | 60 |
| Moodul | A |
| Õppetunni liik | Loeng |
| Keskendumine | Praktiline – tehisintellekti modelleerimine |
| Teema | Tehisintellekti modelleerimine |
Võtmesõnad
Närvivõrk, tagasipropageerimine, optimeerimine,
Õpieesmärgid
- Õppijad mõistavad MLP arhitekt
- Õppijad saavad luua närvivõrke, millel on täielikult ühendatud kihid ja erinevad aktiveerimisfunktsioonid.
- Õppijad mõistavad backpropagation ja gradient-põhiste meetodite põhiideed
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Lineaarse algebra ja vektorarvutuse ülevaade.
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
Soovitatav õpetajatele
- Tutvuge näidismaterjalidega.
Õppematerjalid
Juhised õpetajatele
Kirjeldage õppetunni teemasid ja tutvustage kontseptsioone interaktiivsete märkmike abil (kaofunktsiooni kuju w.r.t. erinevad seadustajad, gradient-põhised optimeerimisalgoritmid). Andke lühiülevaade koodist.
Ülevaade/ajakava
| Kestus (min) | Kirjeldus | Mõisted |
|---|---|---|
| 5 | Logistilisest regressioonist pertseptroonini | sisend, kaalud, kallutatus, sigmoidfunktsioon |
| 10 | Mitmekihiline pertseptrooni ja maatriksi korrutus | sisendkiht, peidetud kiht, väljundkiht |
| 20 | Tagasilevikava tuletamine | gradient laskumine, õppekiirus, backpropagation |
| 10 | Aktiveerimisfunktsioonid | ReLU, sigmoid, tanh, softmax jne. |
| 10 | Kaofunktsioonid klassifitseerimiseks ja regressiooniks | MSE, binaarne ja kategooriline ristentropia |
| 5 | Demonstratsioonid |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.