Administrativní informace
| Název | Techniky regularizace |
| Trvání | 60 |
| Modul | B |
| Typ lekce | Tutoriál |
| Soustředění | Technické – hluboké učení |
| Téma | Techniky regularizace |
Klíčová slova
Pravidelnost, Callbacks, GridSearch,
Vzdělávací cíle
- Prozkoumejte inicializátory hmotnosti
- Vyšetřit předpojatost
- Aplikujte odpadky a hluk
- Zpětná vazba implimentů
- Podpořte a implementujte GridSearch
- Aplikujte netradiční techniky přelévání
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Žádné.
Povinné pro studenty
Žádné.
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
- John D Kelleher a Brain McNamee. (2018), Základy strojového učení pro prediktivní datovou analýzu, MIT Press.
- Michael Nielsen. (2015), neuronové sítě a hluboké učení, 1. Determinační tisk, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Hluboké učení s Keras, Packt, [ISBN: 9781787128422].
Doporučeno pro učitele
Žádné.
Materiály pro výuku
Pokyny pro učitele
- Od studentů se očekává, že budou demonstrovat a aplikovat základní techniky/algoritmy pro predikci a školení neuronových sítí, včetně vyšetřování pro modelové předpojatosti a založené na modelové regularizaci. Porovnejte, kontrastujte a demonstrujte vhodné hyperparametry pro výcvik umělých neuronových sítí s důrazem na reprodukovatelnost (všeobecnost), transparentnost a interpretaci. Použijte rámce hlubokého učení k implementaci modelů hlubokého učení pro klasifikační a nebo regresní úlohy. To zahrnuje silný důraz na hodnocení modelů, z hlediska výkonnosti a etických hledisek, což vede k transparentnosti a vysvětlitelné umělé inteligenci. Tato praxe vyžaduje, abyste vyvinuli nejvhodnější model umělé inteligence, kde budou použity všechny vhodné metody pro vývoj modelů, aby bylo zajištěno co nejlepší zobecnění.
- Tutoriál je založen na následujícím datovém souboru [[1]], kde jsou podrobnosti o atributech obsaženy v výukových materiálech.
- Tutoriál bude vyžadovat následující nadpisy. Pokud by měl mít každý nadpis (případně) odůvodnění a popis rozšiřující přístup a jeho zjištění, kód, který dílo provádí, a v některých případech vizuální pomůcka pro další zkombinování vašich zjištění. Použijte standardní značku poznámkového bloku Jupyter pro přepravky nadpisů a sekcí:
- Úvod
- Otevření datového souboru, stručný průzkum dat a předběžné zpracování dat
- Průzkum modelů pro určení topologie sítě
- Hyperparametrové šetření (výukové parametry a optimalizace)
- Nejvhodnější výběr modelu
- Vyhledávání mřížky
- Závěrečná prezentace modelu a hodnocení výkonnosti
- Vezměte prosím na vědomí, že vyhledávání mřížky bude nějakou dobu trvat, takže to může být dokončeno mimo výukový čas nebo tutoriál může být proveden v převrácené třídě režimu dodání.
Obrys
| Doba trvání (Min) | Popis |
|---|---|
| 10 | Poskytování přehledu praktických a importovaných datových souborů se základním předzpracováním |
| 10 | Modely k prozkoumání topologií |
| 20 | Hyperparametrové vyšetření pomocí regularizačních technik |
| 10 | Mřížkové vyhledávání (všimněte si, že by to mělo být provedeno předem – buď lektorem nebo studenty v překlopeném režimu, protože to může trvat značnou dobu, než běžíte živě) |
| 5 | Závěrečná diskuse o modelu |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.