Административна информация
| Дял | Техники за узаконяване |
| Продължителност | 60 |
| Модул | Б |
| Вид на урока | Урок |
| Фокус | Технически — задълбочено обучение |
| Тема | Техники за узаконяване |
Ключови думи
Узаконяване, Обратно повикване, GridSearch,
Учебни цели
- Проверка на инициализаторите на теглото
- Проучване на пристрастия
- Прилагане на отпадане и шум
- Имплициране на извиквания
- Подземие и прилагане на GridSearch
- Прилагане на нетрадиционни техники за преоборудване
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Няма.
Задължително за студентите
Няма.
Незадължително за студенти
Няма.
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
Инструкции за учители
- От студентите ще се очаква да демонстрират и прилагат основни техники/алгоритми за прогнозиране и обучение на невронни мрежи, включително изследвания за пристрастия на модела и базирани на узаконяване на модела. Сравнете, контрастирайте и демонстрирайте подходящи хиперпараметри за обучение на изкуствени невронни мрежи с акцент върху възпроизводимостта (всеобхватност), прозрачността и интерпретацията. Използвайте рамки за задълбочено обучение, за да приложите модели за задълбочено обучение за задачи за класификация и регресия. Това включва силен акцент върху оценката на моделите, от съображения за ефективност и етични съображения, което води до прозрачност и обясним ИИ. Това практическо изисква от вас да разработите най-подходящия модел на ИИ, където да се използва всеки подходящ метод за разработване на модели, за да се гарантира най-добрата генерализация.
- Урокът се основава на следния набор от данни [[1]], където подробностите за атрибутите се съдържат в материалите за урока.
- Урокът ще изисква следните заглавия. Когато всяко заглавие трябва да има (където е уместно) обосновка и описание, разширяващо подхода и неговите констатации, код, който изпълнява работата, а в някои случаи и визуална помощ за допълнително усложняване на вашите констатации. Използвайте стандартния Jupyter бележник маркиране, за да щайги заглавия и секции:
- Въведение
- Отваряне на набора от данни, кратко проучване на данни и предварителна обработка на данни
- Изследване на модела за определяне на мрежова топология
- Изследване на хиперпараметъра (проучване на параметрите и оптимизацията)
- Най-подходящият избор на модел
- Търсене в мрежата
- Окончателно представяне на модела и оценка на изпълнението
- Моля, имайте предвид, че търсенето в мрежата ще отнеме известно време, като по този начин това може да бъде завършено извън времето на урока или урокът може да се проведе в обърнат режим на доставка в класната стая.
Очертаване
| Продължителност (минимум) | Описание |
|---|---|
| 10 | Предоставяне на преглед на практическите и импортиращите набори от данни с основната предварителна обработка |
| 10 | Модели за изследване на топологии |
| 20 | Изследване на хиперпараметъра с техники за узаконяване |
| 10 | Търсене в мрежата (забележете, че това трябва да се направи предварително — или от лектор, или от студенти в обърнат режим, тъй като може да отнеме значително време, за да тече на живо) |
| 5 | Окончателно обсъждане на модела |
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.