Informații administrative
| Titlu | Tehnici de regularizare |
| Durată | 60 |
| Modulul | B |
| Tipul lecției | Prelegere |
| Focalizare | Tehnică – Învățare profundă |
| Subiect | Tehnici de regularizare |
Cuvinte cheie
Regularizare, Callbacks, GridSearch,
Obiective de învățare
- Examinați inițialele de greutate
- Investigarea prejudecăților
- Aplicați abandonul și zgomotul
- Apeluri de impliment
- Subtsand și să pună în aplicare o GridSearch
- Aplică tehnici netraditionale de supraadaptare
Pregătirea preconizată
Evenimente de învățare care urmează să fie finalizate înainte
Nici unul.
Obligatoriu pentru studenți
Nici unul.
Opțional pentru studenți
Nici unul.
Referințe și context pentru studenți
- John D Kelleher și Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning (Rețele neuronale și învățare profundă), 1. Presa de determinare, San Francisco CA SUA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning (Rețele neuronale și învățare profundă), 1. Springer
- Antonio Gulli, Sujit Pal. Deep Learning cu Keras, Packt, [ISBN: 9781787128422].
Recomandat pentru profesori
Nici unul.
Materiale de lecție
Instrucțiuni pentru profesori
Această prelegere va prezenta studenților elementele fundamentale ale tuningului hiperparametrului. Vom folosi setul de date privind recensământul ca exemple de utilizare și rezultate ale tehnicilor de regularizare. Setul de date privind recensământul adulților este o problemă de clasificare binară. Scopul acestei prelegeri este de a introduce mai multe forme de regularizare, începând cu inițializatori de greutate, părtinire, co-adaptare, callbacks, o căutare a grilei pentru tuningul automat al hiperparametrului și tehnici suplimentare de verificare a regularizării. Scopul este de a identifica tehnici pentru a sprijini dezvoltarea de modele generalizabile cu o co-adaptare limitată pentru a învăța funcția și nu datele. Unele dintre aceste tehnici îmbunătățesc, de asemenea, timpul de formare, astfel pot reduce calculul necesar pentru modelele mai mari.
Contur
| Durată (min) | Descriere |
|---|---|
| 10 | Inițializatoare de greutate și părtinire |
| 10 | Adaptare în comun |
| 10 | Callback-uri |
| 20 | Căutare GridSearch |
| 10 | Verificări suplimentare |
Confirmări
Programul de masterat AI centrat pe om a fost cofinantat de Mecanismul pentru interconectarea Europei al Uniunii Europene sub Grantul CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.