Διοικητικές πληροφορίες
| Τίτλος | Προωθητική διάδοση |
| Διάρκεια | 60 |
| Ενότητα | Β |
| Είδος μαθήματος | Φροντιστήριο |
| Εστίαση | Τεχνική — Βαθιά Μάθηση |
| Θέμα | Κάρτα εισόδου προς τα εμπρός |
Λέξεις-κλειδιά
Μπροστινό πέρασμα, απώλεια,
Μαθησιακοί στόχοι
- Κατανοήστε τη διαδικασία ενός προθεσμιακού περάσματος
- Κατανοήστε πώς να υπολογίσετε μια πρόβλεψη επιτυχίας προς τα εμπρός, καθώς και απώλεια αποσυνδεδεμένη
- Αναπτύξτε ένα πέρασμα προς τα εμπρός χρησιμοποιώντας καμία ενότητα στην Python (εκτός από Numpy)
- Αναπτύξτε ένα μπροστινό πέρασμα χρησιμοποιώντας Keras
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
Καμία.
Προαιρετικό για Φοιτητές
- Πολλαπλασιασμός πινάκων
- Ξεκινώντας με τον Numpy
- Γνώση γραμμικής και λογιστικής παλινδρόμησης ([Ομιλία: Γραμμική παλινδρόμηση]
Αναφορές και υπόβαθρο για τους μαθητές
- John D Kelleher και Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Ο Μάικλ Νίλσεν. (2015), Neural Networks and Deep Learning (Νευρωνικά δίκτυα και βαθιά μάθηση), 1. Αποφασιστικότητα Τύπος, San Francisco CA ΗΠΑ.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning (Νευρωνικά δίκτυα και βαθιά μάθηση), 1. Σπρίνγκερ
- Αντόνιο Γκούλι, Σουτζίτ Παλ. Βαθιά μάθηση με Keras, Packt, [ISBN: 9781787128422].
Συνιστάται για εκπαιδευτικούς
Καμία.
Υλικό μαθήματος
- [Πρόβλημα 1 (εικόνα)]
- [Πρόβλημα 2 και πρόβλημα 3 (HTML)]
- Πρόβλημα 2 και πρόβλημα 3 (.ipynb)
Οδηγίες για τους εκπαιδευτικούς
- Αυτό το σεμινάριο θα εισαγάγει τους μαθητές στις βασικές αρχές της μελλοντικής διάδοσης για ένα τεχνητό νευρωνικό δίκτυο. Αυτό το σεμινάριο θα αποτελείται από ένα μπροστινό πέρασμα χρησιμοποιώντας στυλό και χαρτί, χρησιμοποιώντας Python με μόνο τη βιβλιοθήκη Numpy (για χειρισμό πινάκων) και στη συνέχεια χρησιμοποιώντας το KERAS. Αυτό θα βασιστεί στη θεμελιώδη κατανόηση των συναρτήσεων ενεργοποίησης που εφαρμόζονται σε συγκεκριμένα προβληματικά πλαίσια και πώς οι συναρτήσεις ενεργοποίησης διαφέρουν στην υπολογιστική πολυπλοκότητα και την εφαρμογή από στυλό και χαρτί, σε κώδικα από την αρχή χρησιμοποιώντας Numpy και στη συνέχεια χρησιμοποιώντας μια ενότητα υψηλού επιπέδου -> Keras.
- Στους μαθητές θα παρουσιαστούν τρία προβλήματα:
- Πρόβλημα 1: (Παράδειγμα 1 από τη διάλεξη -> Εικόνα στο RHS του παρόντος WIKI) και ζήτησε να διεξαγάγει ένα πέρασμα προς τα εμπρός χρησιμοποιώντας τις ακόλουθες παραμέτρους (20 λεπτά για να ολοκληρωθεί):
- Λειτουργία ενεργοποίησης σιγμοειδούς για το κρυμμένο στρώμα
- Λειτουργία ενεργοποίησης σιγμοειδούς για το εξωτερικό στρώμα
- Λειτουργία απώλειας ΠΜΣ
- Πρόβλημα 2: (Παράδειγμα 1 από τη διάλεξη), οι μαθητές θα κληθούν (με καθοδήγηση ανάλογα με την προηγούμενη εμπειρία κωδικοποίησης) να αναπτύξουν ένα νευρωνικό δίκτυο από την αρχή χρησιμοποιώντας μόνο την ενότητα Numpy, και τα βάρη και τις λειτουργίες ενεργοποίησης από το πρόβλημα 1 (οι οποίες είναι ίδιες με το παράδειγμα 1 από τη διάλεξη (20 λεπτά για να ολοκληρωθεί).
- Πρόβλημα 3: (Παράδειγμα 1 από τη διάλεξη και χρησιμοποιώντας το ίδιο παράδειγμα αλλά τυχαία βάρη), οι μαθητές θα κληθούν (με καθοδήγηση ανάλογα με την προηγούμενη εμπειρία κωδικοποίησης) να αναπτύξουν ένα νευρωνικό δίκτυο χρησιμοποιώντας την ενότητα Tensorflow 2.X με την ενσωματωμένη ενότητα Keras, και τα βάρη και τις λειτουργίες ενεργοποίησης από το πρόβλημα 1, και στη συνέχεια χρησιμοποιώντας τυχαία βάρη (τα οποία είναι τα ίδια με το παράδειγμα 1 από τη διάλεξη: 20 λεπτά για να ολοκληρωθεί).
- Πρόβλημα 1: (Παράδειγμα 1 από τη διάλεξη -> Εικόνα στο RHS του παρόντος WIKI) και ζήτησε να διεξαγάγει ένα πέρασμα προς τα εμπρός χρησιμοποιώντας τις ακόλουθες παραμέτρους (20 λεπτά για να ολοκληρωθεί):
- Οι υποστόχοι για αυτά τα τρία προβλήματα, είναι να συνηθίσουν οι μαθητές στη δομή και την εφαρμογή των θεμελιωδών εννοιών (συναρτήσεις ενεργοποίησης, τοπολογία και λειτουργίες απώλειας) για βαθιά μάθηση.
- Keras και TensorFlow 2.X χρησιμοποιούνται και θα χρησιμοποιηθούν για όλα τα μελλοντικά παραδείγματα.
Σχεδιάγραμμα
| Διάρκεια (ελάχιστη) | Περιγραφή |
|---|---|
| 20 | Πρόβλημα 1: Πένα και Χάρτινη εφαρμογή μιας κάρτας προς τα εμπρός (παράδειγμα από τη διάλεξη) |
| 20 | Πρόβλημα 2: Ανάπτυξη νευρωνικού δικτύου από την αρχή χρησιμοποιώντας Numpy (παράδειγμα από τη διάλεξη) |
| 10 | Πρόβλημα 3: Ανάπτυξη νευρωνικού δικτύου από τη χρήση του Κερά (παράδειγμα από τη διάλεξη με καθορισμένα βάρη και τυχαία βάρη) |
| 10 | Ανακεφαλαιοποίηση στη διαδικασία μπροστινής διέλευσης |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.