Διοικητικές πληροφορίες
| Τίτλος | Τεχνικές τακτοποίησης |
| Διάρκεια | 60 |
| Ενότητα | Β |
| Είδος μαθήματος | Φροντιστήριο |
| Εστίαση | Τεχνική — Βαθιά Μάθηση |
| Θέμα | Τεχνικές τακτοποίησης |
Λέξεις-κλειδιά
Τακτοποίηση, Callbacks, GridSearch,
Μαθησιακοί στόχοι
- Εξετάστε τους αρχικοποιητές βάρους
- Διερεύνηση προκαταλήψεων
- Εφαρμογή εγκατάλειψης και θορύβου
- Επαναληπτικές κλήσεις
- Υποβρύχια και υλοποιήστε ένα GridSearch
- Εφαρμογή μη παραδοσιακών τεχνικών υπερπροσαρμογής
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Καμία.
Υποχρεωτικό για τους φοιτητές
Καμία.
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- John D Kelleher και Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Ο Μάικλ Νίλσεν. (2015), Neural Networks and Deep Learning (Νευρωνικά δίκτυα και βαθιά μάθηση), 1. Αποφασιστικότητα Τύπος, San Francisco CA ΗΠΑ.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning (Νευρωνικά δίκτυα και βαθιά μάθηση), 1. Σπρίνγκερ
- Αντόνιο Γκούλι, Σουτζίτ Παλ. Βαθιά μάθηση με Keras, Packt, [ISBN: 9781787128422].
Συνιστάται για εκπαιδευτικούς
Καμία.
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
- Οι μαθητές θα πρέπει να επιδεικνύουν και να εφαρμόζουν θεμελιώδεις τεχνικές/αλγόριθμους για την πρόβλεψη και την εκπαίδευση των νευρωνικών δικτύων, συμπεριλαμβανομένων των ερευνών για προκαταλήψεις μοντέλων και βασίζονται γύρω από την τακτοποίηση του μοντέλου. Συγκρίνετε, αντιπαραβάλλετε και επιδεικνύετε κατάλληλους υπερ-παράμετρους για την εκπαίδευση τεχνητών νευρωνικών δικτύων με έμφαση στην αναπαραγωγιμότητα (γενικευσιμότητα), τη διαφάνεια και την ερμηνεία. Χρησιμοποιήστε πλαίσια βαθιάς μάθησης για την εφαρμογή μοντέλων βαθιάς μάθησης για εργασίες ταξινόμησης ή παλινδρόμησης. Αυτό περιλαμβάνει έντονη εστίαση στην αξιολόγηση των μοντέλων, για λόγους επιδόσεων και δεοντολογίας, με αποτέλεσμα τη διαφάνεια και την επεξήγηση της ΤΝ. Αυτό το πρακτικό απαιτεί να αναπτύξετε το πιο κατάλληλο μοντέλο τεχνητής νοημοσύνης, όπου χρησιμοποιείται κάθε κατάλληλη μέθοδος για την ανάπτυξη μοντέλων για να εξασφαλιστεί η καλύτερη γενίκευση.
- Το σεμινάριο βασίζεται στο ακόλουθο σύνολο δεδομένων [[1]] όπου οι λεπτομέρειες των χαρακτηριστικών περιέχονται στο υλικό του μαθήματος.
- Το σεμινάριο θα απαιτήσει τις ακόλουθες επικεφαλίδες. Όπου κάθε τίτλος θα πρέπει να έχει (κατά περίπτωση) αιτιολόγηση και περιγραφή που επεκτείνει την προσέγγιση και τα ευρήματά της, κώδικας που εκτελεί την εργασία και, σε ορισμένες περιπτώσεις, οπτικό βοήθημα για την περαιτέρω σύνθεση των ευρημάτων σας. Χρησιμοποιήστε την τυπική σήμανση σημειωματαρίου Jupyter, για τις επικεφαλίδες και τις ενότητες κιβωτίων:
- Εισαγωγή
- Άνοιγμα του συνόλου δεδομένων, Σύντομη διερεύνηση δεδομένων και προεπεξεργασία δεδομένων
- Εξερεύνηση μοντέλων για τον προσδιορισμό της τοπολογίας του δικτύου
- Υπερπαραμετρική έρευνα (παραμετρικές παράμετροι και βελτιστοποίηση)
- Καταλληλότερη επιλογή μοντέλου
- Αναζήτηση δικτύου
- Τελική παρουσίαση μοντέλου και αξιολόγηση επιδόσεων
- Παρακαλώ σημειώστε ότι η αναζήτηση πλέγματος θα πάρει κάποιο χρόνο, έτσι αυτό μπορεί να ολοκληρωθεί εκτός του χρόνου φροντιστήριο ή το φροντιστήριο μπορεί να διεξαχθεί σε ένα αναποδογυρισμένο τρόπο παράδοσης στην τάξη.
Σχεδιάγραμμα
| Διάρκεια (ελάχιστη) | Περιγραφή |
|---|---|
| 10 | Παροχή επισκόπησης των πρακτικών και εισαγωγικών συνόλων δεδομένων με τη βασική προεπεξεργασία |
| 10 | Μοντέλα για να εξερευνήσετε τοπολογίες |
| 20 | Υπερπαραμετρική έρευνα με τεχνικές τακτοποίησης |
| 10 | Αναζήτηση πλέγματος (σημειώστε ότι αυτό πρέπει να γίνει — είτε από τον καθηγητή είτε από τους μαθητές σε λειτουργία αναστροφής, καθώς μπορεί να πάρει σημαντικό χρόνο για να τρέξει ζωντανά) |
| 5 | Τελική συζήτηση για το υπόδειγμα |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.