Hallinnolliset tiedot
| Otsikko | Eteneminen eteenpäin |
| Kesto | 60 |
| Moduuli | B |
| Oppitunnin tyyppi | Opetusohjelma |
| Keskittyminen | Tekninen – syväoppiminen |
| Aihe | Etukäteispassi |
Avainsanoja
Etukäteispassi, hävinnyt,
Oppimistavoitteet
- Ymmärrä etukäteispassin prosessi
- Ymmärrä, miten lasketaan eteenpäin kulkeva ennuste sekä tappio irrotettuna
- Kehitetään eteenpäin kulkeva kulku, jossa ei ole moduuleja Pythonissa (muu kuin Numpy)
- Kehitä eteenpäin kulkulupa Kerasin avulla
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
Ei mitään.
Valinnainen opiskelijoille
- Matriisien kertominen
- Numpyn käytön aloittaminen
- Tietämys lineaarisesta ja logistisesta regressiosta ([Lecture: Lineaarinen regressio]
Referenssejä ja taustaa opiskelijoille
- John D Kelleher ja Brain McNamee. (2018), koneoppimisen perusteet ennakoivaa data-analytiikkaa varten, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Päättäväinen lehdistö, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Syväoppiminen Keras, Packt, [ISBN: 9781787128422].
Suositellaan opettajille
Ei mitään.
Oppituntimateriaalit
- [Ongelma 1 (kuva)]
- [Ongelma 2 ja ongelma 3 (HTML)]
- Ongelma 2 ja ongelma 3 (.ipynb)
Ohjeita opettajille
- Tämä opetusohjelma esittelee opiskelijoille eteenpäin etenemisen perusteet keinotekoiselle hermoverkolle. Tämä opetusohjelma koostuu eteenpäin pass käyttäen kynää ja paperia, käyttäen Python vain Numpy kirjasto (matriisien manipulointi) ja sitten käyttää KERAS. Tämä perustuu perustavanlaatuiseen ymmärrykseen siitä, mitä aktivointitoimintoja sovelletaan tiettyihin ongelmakonteksteihin ja miten aktivointitoiminnot eroavat laskennallisesta monimutkaisuudesta ja sovelluksesta kynästä ja paperista, koodista tyhjästä Numpyn avulla ja sitten käyttämällä korkeatasoista moduulia -> Keras.
- Opiskelijoille esitetään kolme ongelmaa:
- Ongelma 1: (Esimerkki 1 luennosta -> Kuva tämän WIKI: n RHS: stä) ja pyysi suorittamaan eteenpäin kulkua seuraavien parametrien avulla (20 minuuttia loppuun):
- Sigmoid aktivointitoiminto piilotettu kerros
- Sigmoid-aktivointitoiminto ulommalle kerrokselle
- MSE-häviötoiminto
- Ongelma 2: (Esimerkki 1 luennosta), oppilaita pyydetään (edellisestä koodauskokemuksesta riippuen) kehittämään hermoverkko tyhjästä käyttäen vain Numpy-moduulia ja painoja ja aktivointitoimintoja ongelmasta 1 (jotka ovat samat kuin Esimerkki 1 luennosta (20 minuuttia loppuun).
- Ongelma 3: (Esimerkki 1 luennosta ja käyttäen samaa esimerkkiä, mutta satunnaisia painoja), oppilaita pyydetään (edellisestä koodauskokemuksesta riippuen) kehittämään hermoverkko käyttäen Tensorflow 2.X -moduulia rakennetulla Keras-moduulilla ja painot ja aktivointitoiminnot ongelmasta 1, ja sitten käyttämällä satunnaisia painoja (jotka ovat samat kuin Esimerkki 1 luennosta: 20 minuuttia loppuun).
- Ongelma 1: (Esimerkki 1 luennosta -> Kuva tämän WIKI: n RHS: stä) ja pyysi suorittamaan eteenpäin kulkua seuraavien parametrien avulla (20 minuuttia loppuun):
- Näiden kolmen ongelman alatavoitteina on saada opiskelijat tottumaan peruskäsitteiden rakenteeseen ja soveltamiseen (aktivointifunktiot, topologia ja tappiofunktiot) syväoppimiseen.
- Keras ja TensorFlow 2.X ovat käytössä ja niitä käytetään kaikissa tulevissa esimerkeissä.
Hahmotella
| Kesto (Min) | Kuvaus |
|---|---|
| 20 | Ongelma 1: Etukäteispassin kynä- ja paperitoteutus (esimerkki luennolta) |
| 20 | Ongelma 2: Neuroverkon kehittäminen tyhjästä Numpyn avulla (esimerkki luennosta) |
| 10 | Ongelma 3: Neuroverkon kehittäminen Kerasin käytöstä (esimerkki luennosta, jossa on asetettu painot ja satunnaispainot) |
| 10 | Yhteenveto eteenpäin suuntautuvasta läpäisyprosessista |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).