Adminisztratív információk
| Cím | Neurális hálózatok |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Előadás |
| Fókusz | Praktikus – AI modellezés |
| Téma | AI modellezés |
Kulcsszó
Neurális hálózat, backpropagation, optimalizálás,
Tanulási célok
- A tanulók megértik az MLP építészt
- A tanulók teljes mértékben összekapcsolt rétegekkel és különböző aktiválási funkciókkal rendelkező neurális hálózatokat építhetnek
- A tanulók megértik a backpropagation és a gradiens alapú módszerek alapgondolatát
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- A lineáris algebra és a vektorszámítás áttekintése.
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
Ajánlott tanároknak
- Ismerkedjenek meg a demonstrációs anyagokkal.
Utasítások tanároknak
Fedezze fel a tananyagban szereplő témákat, és mutassa be a fogalmakat az interaktív jegyzetfüzetek segítségével (a veszteségfüggvény alakja w.r.t. különböző normalizálók, gradiens alapú optimalizálási algoritmusok). Adjon rövid áttekintést a kódról.
Vázlat/időterv
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 5 | A logisztikus regressziótól a perceptronig | bemenet, súlyok, elfogultság, szigmoid funkció |
| 10 | Többrétegű perceptron és mátrix szorzások | bemeneti réteg, rejtett réteg, kimeneti réteg |
| 20 | A backpropagation rendszer levezetése | gradiens leereszkedés, tanulási arány, backpropagation |
| 10 | Aktiválási funkciók | ReLU, szigmoid, tanh, softmax stb. |
| 10 | Veszteségfüggvények besoroláshoz és regresszióhoz | MSE, bináris és kategorikus cross-entropia |
| 5 | Tüntetés |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.