Informacje administracyjne
| Tytuł | Splotowe sieci neuronowe |
| Czas trwania | 60 |
| Moduł | B |
| Rodzaj lekcji | Tutorial |
| Skupienie | Techniczne – głębokie uczenie się |
| Temat | Głębokie uczenie się |
Słowa kluczowe
CNN, głębokie uczenie się, Python,
Cele w zakresie uczenia się
- Wdrożenie i szkolenie CNN dla problemu klasyfikacji obrazu od podstaw
- Dostrajanie już przeszkolonej sieci
- Transfer nauki za pomocą architektur przeszkolonych na ImageNet
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Teoria na CNN
Opcjonalne dla studentów
- Brak
Referencje i tło dla studentów
- Brak
Zalecane dla nauczycieli
Brak.
Materiały do lekcji
Instrukcje dla nauczycieli
Niniejszy poradnik obejmuje podstawowy rozwój CNN, szkolenia i testy. Trzy różne tutoriale realizowane w formie Jupyter Notebook zostaną pokazane i omówione. W szczególności:
- zostanie pokazana realizacja prostego CNN. Szkolenie zostanie wykonane z prostym, swobodnie dostępnym zestawem danych (np. Zostanie pokazana ocena pod względem dokładności zestawu testowego po etapie szkolenia.
- dostrajanie już przeszkolonej sieci zostanie wykonane na nowym zbiorze danych (np. Fashion-MNIST). Ocena i porównanie z siecią przeszkoloną od podstaw zostaną pokazane i omówione.
- jak załadować i zapisać niestandardowe modele zostaną wyświetlone.
Harmonogram
| Czas trwania (min) | Opis | Koncepcje | Działalność | Materiał |
|---|---|---|---|---|
| 20 | Wdrożenie i szkolenie prostego CNN | |||
| 20 | Dostrajanie już przeszkolonej sieci | |||
| 20 | ładuj i oszczędzaj architektury |
Potwierdzenia
Dziękujemy Eng. Andrea Apicella za swój wkład w rozwój materiału.
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.