Upravne informacije
| Naslov | Nevronske mreže |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Praktično – modeliranje umetne inteligence |
| Tema | Modeliranje umetne inteligence |
Ključne besede
Nevronska mreža, povratna propagacija, optimizacija,
Učni cilji
- Učenci razumejo arhitekta MLP
- Učenci lahko zgradijo nevronske mreže s popolnoma povezanimi plastmi in različnimi aktivacijskimi funkcijami.
- Učenci razumejo osnovno idejo backpropagation in metod, ki temeljijo na gradientu
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Pregled linearnega algebra in vektorskega računa.
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
Priporočeno za učitelje
- Seznanite se z demonstracijskimi materiali.
Gradivo za učne ure
Navodila za učitelje
Pokrijte teme v orisu lekcije in predstavite koncepte z uporabo interaktivnih zvezkov (oblika funkcije izgube w.r.t. različnih regularizatorjev, algoritmov za optimizacijo na podlagi gradientov). Na kratko opišite kodo.
Oris/časovni razpored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 5 | Od logistične regresije do perceptrona | vhod, uteži, pristranskost, sigmoidna funkcija |
| 10 | Množenje večplastnega perceptrona in matrike | vhodna plast, skrita plast, izhodna plast |
| 20 | Izpeljava sistema razmnoževanja za nazaj | spust gradienta, stopnja učenja, širjenje nazaj |
| 10 | Aktivacijske funkcije | ReLU, sigmoid, tanh, softmax itd. |
| 10 | Funkcije izgube za klasifikacijo in regresijo | MSE, binarna in kategorična križna entropija |
| 5 | Prikaz |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).