Administrative oplysninger
| Titel | Legaliseringsteknikker |
| Varighed | 60 |
| Modul | B |
| Lektionstype | Forelæsning |
| Fokus | Teknisk — Dyb læring |
| Emne | Legaliseringsteknikker |
Nøgleord
Regulering, tilbagekald, GridSearch,
Læringsmål
- Undersøg vægt initialisatorer
- Undersøg forudindtagethed
- Anvend dropout og støj
- Impliment callbacks
- Undertsand og implementere en GridSearch
- Anvend ikke-traditionelle overfittingsteknikker
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Ingen.
Obligatorisk for studerende
Ingen.
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
- John D. Kelleher og Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Beslutsomhed presse, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Dyb læring med Keras, Packt, [ISBN: 9781787128422].
Anbefalet til lærerne
Ingen.
Undervisningsmaterialer
Instruktioner til lærerne
Dette foredrag vil introducere de studerende til de grundlæggende elementer i hyperparameter tuning. Vi vil bruge Census Dataset som eksempler på brugen og resultaterne af legaliseringsteknikkerne. Adult Census datasættet er et binært klassifikationsproblem. Formålet med dette foredrag er at indføre flere former for regularisering, begyndende med vægt initialisatorer, bias, co-adaption, callbacks, en gitter søgning efter automatisk hyperparameter tunning, og yderligere regularisering kontrol teknikker. Målet er at identificere teknikker til at understøtte udviklingen af generalisable modeller med begrænset co-adaption til at lære funktionen og ikke dataene. Nogle af disse teknikker forbedrer også træningstiden, hvilket kan reducere den beregning, der er nødvendig for større modeller.
Omrids
| Varighed (min.) | Beskrivelse |
|---|---|
| 10 | Vægt initialisatorer og bias |
| 10 | Co-adaption |
| 10 | Tilbagekald |
| 20 | GridSearch |
| 10 | Yderligere kontrol |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.