Upravne informacije
| Naslov | Širjenje naprej |
| Trajanje | 60 |
| Modul | B |
| Vrsta lekcije | Tutorial |
| Osredotočenost | Tehnično – poglobljeno učenje |
| Tema | Prednja prepustnica |
Ključne besede
Prednja prepustnica, Izguba,
Učni cilji
- Razumevanje procesa naprej prepustnice
- Razumeti, kako izračunati napoved naprej prehoda, kot tudi izgubo odklopljeno
- Razvoj naprej prehod z uporabo modulov v Python (razen Numpy)
- Razvoj naprej prelaz z uporabo Keras
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
Nobenega.
Neobvezno za študente
- Množenje matrik
- Začetek z Numpyjem
- Poznavanje linearne in logistične regresije (predavanje: Linearna regresija]
Reference in ozadje za študente
- John D Kelleher in Brain McNamee. (2018), Osnove strojnega učenja za napovedno podatkovno analitiko, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Odločni tisk, San Francisco CA ZDA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Globoko učenje s Kerasom, Packt, [ISBN: 9781787128422].
Priporočeno za učitelje
Nobenega.
Gradivo za učne ure
- [Težava 1 (slika)]
- [Težava 2 in problem 3 (HTML)]
- Problem 2 in problem 3 (.ipynb)
Navodila za učitelje
- Ta vadnica bo učencem predstavila osnove nadaljnjega širjenja za umetno nevronsko mrežo. Ta vadnica bo sestavljena iz naprednega prehoda s peresom in papirjem, z uporabo Pythona s samo knjižnico Numpy (za manipulacijo z matricami) in nato z uporabo KERAS-a. To bo temeljilo na temeljnem razumevanju, katere funkcije aktiviranja veljajo za določene problematične kontekste in kako se funkcije aktiviranja razlikujejo v računalniški kompleksnosti in aplikaciji od peresa in papirja do kode iz nič z uporabo Numpyja in nato z uporabo modula na visoki ravni -> Keras.
- Učenci bodo imeli tri težave:
- Težava 1: (Primer 1 iz predavanja -> Image on the RHS of the WIKI) in prosil za izvedbo prepustnice po naslednjih parametrih (20 minut za dokončanje):
- Sigmoidna aktivacija za skrito plast
- Sigmoidna aktivacija za zunanjo plast
- Funkcija izgube MSE
- Težava 2: (Primer 1 iz predavanja) bodo dijaki (z navodili glede na predhodne izkušnje s kodiranjem) pozvani, naj razvijejo nevronsko mrežo iz nič z uporabo modula Numpy ter uteži in aktivacijske funkcije iz problema 1 (ki so enaki kot primer 1 iz predavanja (20 minut za dokončanje).
- Težava 3: (Primer 1 iz predavanja in z uporabo istega primera, vendar naključnih uteži) bodo študenti pozvani (z navodili glede na predhodne izkušnje kodiranja) razviti nevronsko mrežo z uporabo modula Tensorflow 2.X z vgrajenim modulom Keras in utežmi in aktivacijskimi funkcijami iz problema 1, nato pa z uporabo naključnih uteži (ki so enake kot primer 1 iz predavanja: 20 minut za dokončanje).
- Težava 1: (Primer 1 iz predavanja -> Image on the RHS of the WIKI) in prosil za izvedbo prepustnice po naslednjih parametrih (20 minut za dokončanje):
- Podcilji teh treh problemov so, da se učenci navadijo na strukturo in uporabo temeljnih konceptov (aktivacijske funkcije, topologija in funkcije izgube) za globoko učenje.
- Keras in TensorFlow 2.X se uporabljata za vse prihodnje primere.
Obris
| Trajanje (mini) | Opis |
|---|---|
| 20 | Težava 1: Pero in papir implementacija prepustnice (primer iz predavanja) |
| 20 | Težava 2: Razvoj nevronske mreže iz nič z uporabo Numpyja (primer iz predavanja) |
| 10 | Težava 3: Razvoj nevronske mreže z uporabo Kerasa (primer iz predavanja z določenimi utežmi in naključnimi utežmi) |
| 10 | Ponovite postopek prednjega prehoda |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).