Hallinnolliset tiedot
| Otsikko | Hermoverkot |
| Kesto | 60 |
| Moduuli | A |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Käytännöllinen – AI Modelling |
| Aihe | Tekoälyn mallinnus |
Avainsanoja
Neuroverkko, takaisinlevitys, optimointi,
Oppimistavoitteet
- Oppijat ymmärtävät MLP-arkkitehdin
- Oppijat voivat rakentaa hermoverkkoja täysin liitetyillä kerroksilla ja erilaisilla aktivointitoiminnoilla
- Oppijat ymmärtävät backpropagation ja kaltevuusperusteisten menetelmien perusajatuksen
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Lineaarisen algebran ja vektorilaskennan tarkastelu.
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
Suositellaan opettajille
- Tutustu esittelymateriaaleihin.
Oppituntimateriaalit
Ohjeita opettajille
Peitä oppitunnin hahmottelun aiheet ja demonstroi käsitteet interaktiivisten kannettavien tietokoneiden avulla (häviöfunktion muoto w.r.t. eri normalisoijat, gradienttipohjaiset optimointialgoritmit). Anna lyhyt yleiskatsaus koodiin.
Pääpiirteittäin/aika-aikataulu
| Kesto (min) | Kuvaus | Käsitteet |
|---|---|---|
| 5 | Logistisesta regressiosta perceptroniin | syöttö, painot, puolueellisuus, sigmoid-toiminto |
| 10 | Monikerroksiset perceptron- ja matriisikertoimet | tulokerros, piilotettu kerros, lähtökerros |
| 20 | Backpropagation-järjestelmän johtaminen | gradientti laskeutuminen, oppimisaste, backpropagation |
| 10 | Aktivointitoiminnot | ReLU, sigmoid, tanh, softmax jne. |
| 10 | Häviöfunktiot luokittelua ja regressiota varten | MSE, binäärinen ja kategorinen risti-entropia |
| 5 | Mielenosoitus |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).