Διοικητικές πληροφορίες
| Τίτλος | Τεχνικές τακτοποίησης |
| Διάρκεια | 60 |
| Ενότητα | Β |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Τεχνική — Βαθιά Μάθηση |
| Θέμα | Τεχνικές τακτοποίησης |
Λέξεις-κλειδιά
Τακτοποίηση, Callbacks, GridSearch,
Μαθησιακοί στόχοι
- Εξετάστε τους αρχικοποιητές βάρους
- Διερεύνηση προκαταλήψεων
- Εφαρμογή εγκατάλειψης και θορύβου
- Επαναληπτικές κλήσεις
- Υποβρύχια και υλοποιήστε ένα GridSearch
- Εφαρμογή μη παραδοσιακών τεχνικών υπερπροσαρμογής
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Καμία.
Υποχρεωτικό για τους φοιτητές
Καμία.
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- John D Kelleher και Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Ο Μάικλ Νίλσεν. (2015), Neural Networks and Deep Learning (Νευρωνικά δίκτυα και βαθιά μάθηση), 1. Αποφασιστικότητα Τύπος, San Francisco CA ΗΠΑ.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning (Νευρωνικά δίκτυα και βαθιά μάθηση), 1. Σπρίνγκερ
- Αντόνιο Γκούλι, Σουτζίτ Παλ. Βαθιά μάθηση με Keras, Packt, [ISBN: 9781787128422].
Συνιστάται για εκπαιδευτικούς
Καμία.
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτή η διάλεξη θα εισαγάγει τους μαθητές στις βασικές αρχές του συντονισμού υπερπαράμετρων. Θα χρησιμοποιήσουμε το σύνολο δεδομένων απογραφής ως παραδείγματα της χρήσης και των αποτελεσμάτων από τις τεχνικές τακτοποίησης. Το σύνολο δεδομένων απογραφής ενηλίκων είναι ένα δυαδικό πρόβλημα ταξινόμησης. Ο στόχος αυτής της διάλεξης είναι να εισαγάγει διάφορες μορφές τακτοποίησης, ξεκινώντας από τους αρχικοποιητές βάρους, την προκατάληψη, τη συν-προσαρμογή, τις κλήσεις, μια αναζήτηση πλέγματος για αυτόματη υπερπαράμετρο tunning, και πρόσθετες τεχνικές ελέγχου τακτοποίησης. Ο στόχος είναι να εντοπιστούν τεχνικές για την υποστήριξη της ανάπτυξης γενικευμένων μοντέλων με περιορισμένη συν-προσαρμογή για να μάθουν τη λειτουργία και όχι τα δεδομένα. Ορισμένες από αυτές τις τεχνικές βελτιώνουν επίσης τον χρόνο κατάρτισης, έτσι μπορούν να μειώσουν τον υπολογισμό που απαιτείται για μεγαλύτερα μοντέλα.
Σχεδιάγραμμα
| Διάρκεια (ελάχιστη) | Περιγραφή |
|---|---|
| 10 | Αρχικοποιητές βάρους και προκαταλήψεις |
| 10 | Συνπροσαρμογή |
| 10 | Επαναληπτικές κλήσεις |
| 20 | Αναζήτηση δικτύου |
| 10 | Πρόσθετοι έλεγχοι |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.