Verwaltungsinformationen
| Titel | Regularisierungstechniken |
| Dauer | 60 |
| Modulen | B |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technisches – Deep Learning |
| Themenbereich | Regularisierungstechniken |
Suchbegriffe
Regularisierung, Rückrufe, GridSearch,
Lernziele
- Gewicht Initialisierer untersuchen
- Untersuchung von Verzerrungen
- Dropout und Rauschen anwenden
- Impliment Callbacks
- Undertsand und implementieren einer GridSearch
- Wenden Sie nicht traditionelle Überfitting-Techniken an
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Keine.
Obligatorisch für Studenten
Keine.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- John D. Kelleher und Brain McNamee. (2018), Grundlagen des maschinellen Lernens für Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Ermittlungspresse, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neurale Netze und Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Deep Learning mit Keras, Packt, [ISBN: 9781787128422].
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
In diesem Vortrag werden die Studierenden die Grundlagen des Hyperparameter-Tunings kennenlernen. Wir werden den Census Dataset als Beispiele für die Verwendung und Ergebnisse der Regularisierungstechniken verwenden. Der Adult Census Dataset ist ein binäres Klassifikationsproblem. Ziel dieser Vorlesung ist es, verschiedene Formen der Regularisierung einzuführen, beginnend mit Gewichtsinitiatoren, Bias, Co-Adaption, Callbacks, einer Rastersuche nach automatischer Hyperparameter-Tuning und zusätzlichen Regularisierungskontrolltechniken. Ziel ist es, Techniken zu identifizieren, die die Entwicklung von generalisierbaren Modellen mit begrenzter Ko-Anpassung unterstützen, um die Funktion und nicht die Daten zu erlernen. Einige dieser Techniken verbessern auch die Trainingszeit, wodurch die Berechnung für größere Modelle reduziert werden kann.
Gliederung
| Dauer (Min.) | Beschreibung |
|---|---|
| 10 | Gewicht Initialisierer und Bias |
| 10 | Ko-Anpassung |
| 10 | Rückrufe |
| 20 | GridSearch |
| 10 | Zusätzliche Kontrollen |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.