Hallinnolliset tiedot
| Otsikko | Laillistamistekniikat |
| Kesto | 60 |
| Moduuli | B |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Tekninen – syväoppiminen |
| Aihe | Laillistamistekniikat |
Avainsanoja
Regularization, Callbacks, GridSearch,
Oppimistavoitteet
- Tutustu painon aloittelijoihin
- Tutkia puolueellisuutta
- Levitä pudotus ja melu
- Impliment callbacks
- Suunnittele ja toteuta verkkohaku
- Käytä ei-perinteisiä ylisovitustekniikoita
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Ei mitään.
Pakollinen opiskelijoille
Ei mitään.
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- John D Kelleher ja Brain McNamee. (2018), koneoppimisen perusteet ennakoivaa data-analytiikkaa varten, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Päättäväinen lehdistö, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Syväoppiminen Keras, Packt, [ISBN: 9781787128422].
Suositellaan opettajille
Ei mitään.
Oppituntimateriaalit
Ohjeita opettajille
Tämä luento esittelee opiskelijoille hyperparametrivirityksen perusteet. Käytämme laskentadataa esimerkkeinä laillistamistekniikoiden käytöstä ja tuloksista. Aikuisten väestönlaskenta on binäärinen luokitteluongelma. Tämän luennon tavoitteena on esitellä useita normalisoinnin muotoja, alkaen painon aloittelijoista, vinoutumisesta, sovituksesta, takaisinkutsuista, automaattisen hyperparametrin tunning ruudukkohausta ja muista laillistamisen tarkistustekniikoista. Tavoitteena on tunnistaa tekniikoita, joilla tuetaan yleistettävien mallien kehittämistä ja joissa on rajallinen sopeutuminen funktion oppimiseen eikä dataan. Jotkut näistä tekniikoista myös parantavat harjoitusaikaa, mikä voi vähentää suurempia malleja varten tarvittavaa laskentaa.
Hahmotella
| Kesto (Min) | Kuvaus |
|---|---|
| 10 | Paino alustuslaitteet ja puolueellisuus |
| 10 | Co-adaption |
| 10 | Takaisinsoitto |
| 20 | GridSearch |
| 10 | Lisätarkastukset |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).