Adminisztratív információk
| Cím | Elszámolási technikák |
| Időtartam | 60 |
| Modul | B |
| Lecke típusa | Előadás |
| Fókusz | Technikai – Mély tanulás |
| Téma | Elszámolási technikák |
Kulcsszó
Rendezés, Visszahívások, GridSearch,
Tanulási célok
- Vizsgálja meg a súly-inicializálókat
- Elfogultság vizsgálata
- Alkalmazza a lemorzsolódást és a zajt
- Impliment visszahívások
- Undertsand és implementálja a GridSearch
- Nem hagyományos túlszerelési technikák alkalmazása
Várható előkészítés
Az előtt befejezendő tanulási események
Egy sem.
Kötelező a diákok számára
Egy sem.
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- John D Kelleher és Brain McNamee. (2018), A gépi tanulás alapjai a prediktív adatelemzéshez, MIT Press.
- Michael Nielsen vagyok. (2015), Neural Networks and Deep Learning, 1. Eltökélt sajtó, San Francisco CA USA.
- Charu C. Aggarwal vagyok. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Mély tanulás Keras, Packt, [ISBN: 9781787128422].
Ajánlott tanároknak
Egy sem.
Utasítások tanároknak
Ez az előadás bemutatja a hallgatókat a hiperparaméter tuning alapjaira. A népszámlálási adatkészletet használjuk a regulációs technikák használatának és eredményeinek példáiként. A Felnőtt népszámlálás adatkészlete bináris osztályozási probléma. Az előadás célja, hogy bemutassa a rendezés különböző formáit, kezdve a súly-indicializálókkal, az elfogultsággal, a társadaptációval, a visszahívással, az automatikus hiperparaméter tunning rácskeresésével és további regulációs ellenőrzési technikákkal. A cél olyan technikák azonosítása, amelyek támogatják az általánosítható modellek fejlesztését, korlátozott közös alkalmazkodással, hogy megtanulják a funkciót, és ne az adatokat. Néhány ilyen technika is javítja a képzési időt, így csökkentheti a nagyobb modellekhez szükséges számításokat.
Vázlat
| Időtartam (min) | Leírás |
|---|---|
| 10 | Súly inicializálók és elfogultság |
| 10 | Társkiigazítás |
| 10 | Visszahívások |
| 20 | GridSearch |
| 10 | Kiegészítő ellenőrzések |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.