Administratieve informatie
| Titel | Neurale netwerken |
| Looptijd | 60 |
| Module | A |
| Type les | Lezing |
| Focus | Praktisch — AI-modellering |
| Onderwerp | AI-modellering |
Sleutelwoorden
Neurale netwerk, backpropagation, optimalisatie,
Leerdoelen
- Leerlingen begrijpen de MLP architectre
- Leerlingen kunnen neurale netwerken bouwen met volledig verbonden lagen en verschillende activeringsfuncties
- Leerlingen begrijpen het basisidee van backpropagation en op gradiënt gebaseerde methoden
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Overzicht van lineaire algebra en vector calculus.
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
Aanbevolen voor docenten
- Maak kennis met het demonstratiemateriaal.
Lesmateriaal
Instructies voor docenten
Bespreek de onderwerpen in het lesoverzicht en demonstreer de concepten met behulp van de interactieve notitieblokken (vorm van de verliesfunctie w.r.t. verschillende regularizers, op gradiënt gebaseerde optimalisatie-algoritmen). Geef een kort overzicht van de code.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 5 | Van logistieke regressie naar perceptron | input, gewichten, bias, sigmoïde functie |
| 10 | Multilayer perceptron- en matrixvermenigvuldigingen | inputlaag, verborgen laag, uitvoerlaag |
| 20 | Afleiding van de backpropagatieregeling | gradiëntafdaling, leersnelheid, backpropagatie |
| 10 | Activeringsfuncties | ReLU, sigmoïde, tanh, softmax enz. |
| 10 | Verliesfuncties voor classificatie en regressie | MSE, binaire en categorische cross-entropie |
| 5 | Demonstratie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.