Administratieve informatie
| Titel | Convolutionele neurale netwerken |
| Looptijd | 60 |
| Module | B |
| Type les | Tutorial |
| Focus | Technisch — diep leren |
| Onderwerp | Diep leren |
Sleutelwoorden
CNN, Diep leren,Python,
Leerdoelen
- Implementeren en trainen van een CNN voor een beeldclassificatie probleem vanaf nul
- Finetuning van een reeds opgeleid netwerk
- Overdracht van leren met behulp van architecturen getraind op ImageNet
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Theorie op CNN
Optioneel voor studenten
- Geen
Referenties en achtergronden voor studenten
- Geen
Aanbevolen voor docenten
Geen.
Lesmateriaal
Instructies voor docenten
Deze tutorial behandelt fundamentele ontwikkeling, training en testen van CNN. Drie verschillende tutorial geïmplementeerd in de vorm van Jupyter Notebook zal worden getoond en besproken. In het bijzonder:
- de implementatie van een eenvoudige CNN zal worden getoond. De training zal worden uitgevoerd met een eenvoudige, vrij beschikbare dataset (bv. MNIST). Evaluatie in termen van nauwkeurigheid van een testreeks na de trainingsfase zal worden getoond.
- de finetuning van een reeds getraind netwerk zal worden gemaakt op een nieuwe dataset (bijvoorbeeld Fashion-MNIST). Evaluatie en een vergelijking met een netwerk dat vanaf nul getraind is, worden getoond en besproken.
- hoe u aangepaste modellen kunt laden en opslaan, wordt weergegeven.
Tijdschema
| Duur (min) | Omschrijving | Concepten | Activiteit | Materiaal |
|---|---|---|---|---|
| 20 | Implementeren en trainen van een eenvoudige CNN | |||
| 20 | Finetuning van een reeds opgeleid netwerk | |||
| 20 | architecturen laden en opslaan |
Erkenningen
Wij danken Eng. Andrea Apicella voor zijn bijdrage aan de ontwikkeling van het materiaal.
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.