Административна информация
| Дял | Разпространение напред |
| Продължителност | 60 |
| Модул | Б |
| Вид на урока | Урок |
| Фокус | Технически — задълбочено обучение |
| Тема | Напред пас |
Ключови думи
Напред пас, Загуба,
Учебни цели
- Разбиране на процеса на напред пас
- Разберете как да изчислите прогноза за напред пас, както и загуба без включване
- Разработване на напред пас, като не се използват модули в Python (различни от Numpy)
- Разработване на напред пас с помощта на Keras
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
Няма.
Незадължително за студенти
- Умножение на матрици
- Да започнем с Numpy
- Познаване на линейната и логистичната регресия ([Lecture: Линейна регресия]
Референции и фон за студенти
- Джон Келър и Мозък Макнами. (2018 г.), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Майкъл Нилсън. (2015 г.), „Неврални мрежи и задълбочено обучение“, 1. Преса за решителност, Сан Франциско, САЩ.
- Чару С. Агарвал. (2018 г.), невронни мрежи и задълбочено обучение, 1. Спрингър
- Антонио Гули, Суджит Пал. Дълбоко обучение с Keras, Packt, [ISBN: 9781787128422].
Препоръчва се за учители
Няма.
Материали за уроци
- [Проблем 1 (Изображение)]
- [Проблем 2 и проблем 3 (HTML)]
- Проблем 2 и проблем 3 (.ipynb)
Инструкции за учители
- Този урок ще запознае студентите с основите на разпространението напред за изкуствена невронна мрежа. Този урок ще се състои от напред пас с помощта на писалка и хартия, използвайки Python само с библиотеката Numpy (за матрици матрици) и след това с помощта на KERAS. Това ще се основава на фундаменталното разбиране на това, какви функции за активиране се прилагат за специфични проблемни контексти и как функциите за активиране се различават в изчислителната сложност и приложението от писалка и хартия, до код от нулата с помощта на Numpy и след това с помощта на модул от високо ниво -> Keras.
- Студентите ще бъдат изправени пред три проблема:
- Проблем 1: (Пример 1 от лекцията -> Изображение на RHS на този WIKI) и поиска да се проведе напред пропуск, като се използват следните параметри (20 минути за попълване):
- Функция за сигмоидно активиране за скрития слой
- Функция за активиране на сигмоид за външния слой
- Функция за загуба на ММП
- Проблем 2: (Пример 1 от лекцията), студентите ще бъдат помолени (с насоки в зависимост от предишния опит в кодирането) да разработят невронна мрежа от нулата, използвайки само модула Numpy, и тежестите и функциите за активиране от проблем 1 (които са същите като пример 1 от лекцията (20 минути до завършване).
- Проблем 3: (Пример 1 от лекцията и използвайки същия пример, но случайни тежести), студентите ще бъдат помолени (с насоки в зависимост от предишния опит в областта на кодирането) да разработят невронна мрежа, използвайки модула Tensorflow 2.X с вградения модул Keras и тежестите и функциите за активиране от проблем 1, а след това използвайки случайни тегла (които са същите като пример 1 от лекцията: 20 минути до приключване).
- Проблем 1: (Пример 1 от лекцията -> Изображение на RHS на този WIKI) и поиска да се проведе напред пропуск, като се използват следните параметри (20 минути за попълване):
- Подцелите за тези три проблема е учениците да свикнат със структурата и приложението на основните понятия (функции за активиране, топология и функции за загуба) за дълбоко обучение.
- Keras и TensorFlow 2.X се използват и ще бъдат използвани за всички бъдещи примери.
Очертаване
| Продължителност (минимум) | Описание |
|---|---|
| 20 | Проблем 1: Прилагане на перо и хартия за напред (пример от лекцията) |
| 20 | Проблем 2: Разработване на невронна мрежа от нулата с помощта на Numpy (пример от лекцията) |
| 10 | Проблем 3: Разработване на невронна мрежа от използването на Keras (пример от лекцията с определени тежести и случайни тегла) |
| 10 | Обобщение на процеса на преминаване напред |
Потвърждения
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.