Administrativ information
| Titel | Metoder för reglering |
| Varaktighet | 60 |
| Modul | B |
| Typ av lektion | Föreläsning |
| Fokus | Tekniskt – Djupt lärande |
| Ämne | Metoder för reglering |
Nyckelord
Legalisering, callbacks, GridSearch,
Lärandemål
- Undersök viktinitizers
- Undersöka partiskhet
- Applicera dropout och buller
- Impliment callbacks
- Undertsand och implementera en GridSearch
- Tillämpa icke-traditionella övermonteringstekniker
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Ingen.
Obligatoriskt för studenter
Ingen.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- John D Kelleher och Brain McNamee. (2018), Grundläggande maskininlärning för prediktiv dataanalys, MIT Press.
- Michael Nielsen. (2015), Neurala nätverk och djupt lärande, 1. Beslutande press, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neurala nätverk och djupt lärande, 1. Springer
- Antonio Gulli och Sujit Pal. Djupinlärning med Keras, Packt, [ISBN: 9781787128422].
Rekommenderas för lärare
Ingen.
Lektionsmaterial
Instruktioner för lärare
Denna föreläsning kommer att introducera eleverna till grunderna i hyperparameterinställningen. Vi kommer att använda Census Dataset som exempel på användning och resultat från legaliseringstekniker. Adult Census Dataset är ett binärt klassificeringsproblem. Målet med denna föreläsning är att introducera flera former av regularisering, som börjar med viktinitizers, bias, co-adaption, callbacks, ett rutnätssökning för automatisk hyperparameter tunning och ytterligare regleringskontroll tekniker. Målet är att identifiera tekniker för att stödja utvecklingen av generaliserbara modeller med begränsad samanpassning för att lära sig funktionen och inte data. Vissa av dessa tekniker förbättrar också träningstiden, vilket kan minska den beräkning som behövs för större modeller.
Konturer
| Varaktighet (min) | Beskrivning |
|---|---|
| 10 | Vikt initialiserare och bias |
| 10 | Samanpassning |
| 10 | Återkallelser |
| 20 | GridSearch |
| 10 | Ytterligare kontroller |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.