Haldusteave
| Ametinimetus | Edasilevitamine |
| Kestus | 60 |
| Moodul | B |
| Õppetunni liik | Õpetus |
| Keskendumine | Tehniline – sügav õpe |
| Teema | Edasiliikumine |
Võtmesõnad
Edasi-tagasi, Loss,
Õpieesmärgid
- Mõistke edasiliikumise protsessi
- Mõistke, kuidas arvutada edasi-tagasi ennustust, samuti kahjumit, mis on välja lülitatud
- Arendada edasi-tagasi läbipääsu, kasutades Pythonis ühtegi moodulit (v.a Numpy)
- Arendada edasi pass kasutades Keras
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
Puudub.
Valikuline õpilastele
- Maatriksite korrutus
- Alustan Numpyga
- Teadmised lineaarsest ja logistilisest regressioonist ([Lecture: Lineaarne regressioon]
Viited ja taust õpilastele
- John D Kelleher ja Brain McNamee. (2018), Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Meelekindluse ajakirjandus, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Süvaõpe Keras, Packt, [ISBN: 9781787128422].
Soovitatav õpetajatele
Puudub.
Õppematerjalid
- [Probleem 1 (pilt)]
- [Probleem 2 ja probleem 3 (HTML)]
- Probleem 2 ja probleem 3 (.ipynb)
Juhised õpetajatele
- See õpetus tutvustab õpilastele kunstliku närvivõrgu edasilevimise põhialuseid. See juhendaja koosneb edasi pass kasutades pliiats ja paber, kasutades Python ainult Numpy teek (maatriksite manipuleerimiseks) ja seejärel kasutades KERAS. See põhineb põhimõttelisel arusaamal sellest, millised aktiveerimisfunktsioonid kehtivad konkreetsetes probleemsetes kontekstides ja kuidas aktiveerimisfunktsioonid erinevad arvutusliku keerukuse ja rakenduse poolest pliiatsist ja paberist, koodi nullist, kasutades Numpyt ja seejärel kasutades kõrgetasemelist moodulit -> Keras.
- Õpilastele esitatakse kolm probleemi:
- Probleem 1: (Näide 1 loengust -> pilt selle WIKI RHS-ist) ja palus läbida edasiliikumise, kasutades järgmisi parameetreid (20 minutit).
- Sigmoid aktiveerimise funktsioon peidetud kiht
- Sigmoid aktiveerimise funktsioon väliskihi jaoks
- Mikro- ja väikeettevõtete kahjumi funktsioon
- Probleem 2: (Loengu 1. näide), õpilastel palutakse (sõltuvalt eelnevast kodeerimiskogemusest) arendada närvivõrk nullist, kasutades ainult Numpy moodulit, ning probleemi 1 kaalud ja aktiveerimisfunktsioonid (mis on samad kui 1. näide loengust (20 minutit).
- Probleem 3: (Näide 1 loengust ja kasutades sama näidet, kuid juhuslikke kaalusid), palutakse õpilastel (sõltuvalt eelnevast kodeerimiskogemusest) arendada närvivõrk, kasutades Tensorflow 2.X moodulit koos ehitatava Kerase mooduliga, kaalud ja aktiveerimisfunktsioonid 1. probleemist ning seejärel juhuslike kaalude kasutamine (mis on samad kui loengu 1. näide: 20 minutit).
- Probleem 1: (Näide 1 loengust -> pilt selle WIKI RHS-ist) ja palus läbida edasiliikumise, kasutades järgmisi parameetreid (20 minutit).
- Nende kolme probleemi alameesmärgid on õpilaste harjumine süvaõppe põhimõistete (aktiveerimisfunktsioonid, topoloogia ja kaotuse funktsioonid) struktuuri ja rakendamisega.
- Keras ja TensorFlow 2.X kasutatakse ja kasutatakse kõigi tulevaste näidete puhul.
Kontuur
| Kestus (Min) | Kirjeldus |
|---|---|
| 20 | Probleem 1: Pliiatsi ja paberi edasipääs (näide loengust) |
| 20 | Probleem 2: Närvivõrgu arendamine nullist, kasutades Numpyt (näide loengust) |
| 10 | Probleem 3: Närvivõrgu arendamine Kerase kasutamisel (näide seatud kaalude ja juhuslike kaaludega loengust) |
| 10 | Kokkuvõte edasiliikumise protsessist |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.