Verwaltungsinformationen
| Titel | Regularisierungstechniken |
| Dauer | 60 |
| Modulen | B |
| Unterrichtstyp | Anleitung |
| Fokussierung | Technisches – Deep Learning |
| Themenbereich | Regularisierungstechniken |
Suchbegriffe
Regularisierung, Rückrufe, GridSearch,
Lernziele
- Gewicht Initialisierer untersuchen
- Untersuchung von Verzerrungen
- Dropout und Rauschen anwenden
- Impliment Callbacks
- Undertsand und implementieren einer GridSearch
- Wenden Sie nicht traditionelle Überfitting-Techniken an
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Keine.
Obligatorisch für Studenten
Keine.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- John D. Kelleher und Brain McNamee. (2018), Grundlagen des maschinellen Lernens für Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Ermittlungspresse, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neurale Netze und Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Deep Learning mit Keras, Packt, [ISBN: 9781787128422].
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
- Von den Studierenden wird erwartet, dass sie grundlegende Techniken/Algorithmen für die Vorhersage und Ausbildung von neuronalen Netzwerken demonstrieren und anwenden, einschließlich Untersuchungen für Modellverzerrungen und basierend auf der Modellregelisierung. Vergleichen, kontrastieren und demonstrieren Sie geeignete Hyperparameter für das Training künstlicher neuronaler Netze mit Schwerpunkt auf Reproduzierbarkeit (Generalizability), Transparenz und Interpretation. Verwenden Sie Deep Learning-Frameworks, um Deep Learning-Modelle für Klassifikations- und Regressionsaufgaben zu implementieren. Dazu gehört eine starke Fokussierung auf die Bewertung der Modelle, für Leistungs- und ethische Erwägungen, was zu Transparenz und erklärbarer KI führt. Dies erfordert, dass Sie das am besten geeignete KI-Modell entwickeln, bei dem jede geeignete Methode für die Modellentwicklung angewendet wird, um die beste Verallgemeinerung zu gewährleisten.
- Das Tutorial basiert auf dem folgenden Datensatz [[1]], in dem die Details der Attribute in den Unterrichtsmaterialien enthalten sind.
- Das Tutorial erfordert die folgenden Überschriften. Wo jede Überschrift (gegebenenfalls) eine Begründung und Beschreibung haben sollte, die den Ansatz und seine Ergebnisse erweitert, Code, der die Arbeit ausführt, und in einigen Fällen eine visuelle Hilfe, um Ihre Ergebnisse weiter zu verdichten. Verwenden Sie Standard Jupyter Notebook Markdown, um Überschriften und Abschnitte zu kisten:
- Einführung
- Öffnen des Datensatzes, Kurzdatenexploration und Datenvorverarbeitung
- Modellexploration zur Bestimmung der Netzwerktopologie
- Hyperparameter-Untersuchung (Lernparameter und Optimierung)
- Am besten geeignete Modellauswahl
- Rastersuche
- Final Modellpräsentation und Leistungsbewertung
- Bitte beachten Sie, dass die Rastersuche einige Zeit in Anspruch nimmt, so dass dies außerhalb der Tutorial-Zeit abgeschlossen werden kann oder das Tutorial in einem umgedrehten Klassenzimmer-Liefermodus durchgeführt werden kann.
Gliederung
| Dauer (Min.) | Beschreibung |
|---|---|
| 10 | Bereitstellung eines Überblicks über die praktischen und importierten Datensätze mit der grundlegenden Vorverarbeitung |
| 10 | Modelle zur Erforschung von Topologien |
| 20 | Hyperparameter-Untersuchung mit Regularisierungstechniken |
| 10 | Rastersuche (beachten Sie, dass dies vorab durchgeführt werden sollte – entweder von Dozenten oder Studenten im Flipped-Modus, da es erhebliche Zeit dauern kann, um live zu laufen) |
| 5 | Abschließende Modelldiskussion |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.