Administrative oplysninger
| Titel | Legaliseringsteknikker |
| Varighed | 60 |
| Modul | B |
| Lektionstype | Tutorial |
| Fokus | Teknisk — Dyb læring |
| Emne | Legaliseringsteknikker |
Nøgleord
Regulering, tilbagekald, GridSearch,
Læringsmål
- Undersøg vægt initialisatorer
- Undersøg forudindtagethed
- Anvend dropout og støj
- Impliment callbacks
- Undertsand og implementere en GridSearch
- Anvend ikke-traditionelle overfittingsteknikker
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Ingen.
Obligatorisk for studerende
Ingen.
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
- John D. Kelleher og Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Beslutsomhed presse, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Dyb læring med Keras, Packt, [ISBN: 9781787128422].
Anbefalet til lærerne
Ingen.
Undervisningsmaterialer
Instruktioner til lærerne
- De studerende forventes at demonstrere og anvende grundlæggende teknikker/algoritmer til forudsigelse og uddannelse af neurale netværk, herunder undersøgelser for model bias og baseret på model regularisering. Sammenligne, kontrastere og demonstrere passende hyperparametre til uddannelse af kunstige neurale netværk med vægt på reproducerbarhed (generaliserbarhed), gennemsigtighed og fortolkning. Brug Deep Learning frameworks til at implementere Deep Learning modeller til klassificering og eller regressionsopgaver. Dette omfatter et stærkt fokus på evaluering af modellerne, af hensyn til ydeevne og etiske overvejelser, hvilket resulterer i gennemsigtighed og forklarlig kunstig intelligens. Denne praktiske kræver, at du udvikler den mest egnede AI-model, hvor hver egnet metode til modeludvikling anvendes for at sikre den bedste generalisering.
- Tutorialen er baseret på følgende datasæt [[1]], hvor detaljerne om attributter er indeholdt i lektionsmaterialet.
- Tutorial vil kræve følgende overskrifter. Hvor hver overskrift skal have (hvor det er relevant) et rationale og en beskrivelse, der udvider tilgangen og dens resultater, kode, der udfører arbejdet, og i nogle tilfælde et visuelt hjælpemiddel til yderligere at forværre dine resultater. Brug standard Jupyter notesbog markdown, til kasse overskrifter og sektioner:
- Introduktion
- Åbning af datasættet, kort dataudforskning og forbehandling af data
- Modeludforskning til bestemmelse af netværkstopologi
- Hyperparameterundersøgelse (læringsparametre og optimering)
- Mest passende modelvalg
- Gittersøgning
- Endelig modelpræsentation og evaluering af ydeevne
- Bemærk, at gittersøgningen vil tage noget tid, så dette kan være afsluttet uden for tutorial tid eller tutorial kan udføres i en flipped klasseværelse tilstand af levering.
Omrids
| Varighed (min.) | Beskrivelse |
|---|---|
| 10 | Give et overblik over de praktiske og importerende datasæt med den grundlæggende forbehandling |
| 10 | Modeller til at udforske topologier |
| 20 | Hyperparameterundersøgelse med legaliseringsteknikker |
| 10 | Gittersøgning (bemærk, at dette skal gøres på forhånd — enten af underviser eller studerende i flipped tilstand, da det kan tage betydelig tid at køre live) |
| 5 | Endelig modeldiskussion |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.