Haldusteave
| Ametinimetus | Seadustamise tehnikad |
| Kestus | 60 |
| Moodul | B |
| Õppetunni liik | Õpetus |
| Keskendumine | Tehniline – sügav õpe |
| Teema | Seadustamise tehnikad |
Võtmesõnad
Seadustamine, tagasikutsumine, GridSearch,
Õpieesmärgid
- Kaalu initsieerijate uurimine
- Uurige erapoolikust
- Rakenda väljalangemist ja müra
- Impliment tagasikutsumine
- Alahinnata ja rakendada GridSearch
- Mittetraditsiooniliste ülepaigaldamismeetodite kasutamine
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Puudub.
Kohustuslik õpilastele
Puudub.
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
- John D Kelleher ja Brain McNamee. (2018), Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Meelekindluse ajakirjandus, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Süvaõpe Keras, Packt, [ISBN: 9781787128422].
Soovitatav õpetajatele
Puudub.
Õppematerjalid
Juhised õpetajatele
- Õpilased peaksid demonstreerima ja rakendama põhilisi tehnikaid/algoritme närvivõrkude prognoosimiseks ja koolitamiseks, sealhulgas mudelite kallutatuse uurimiseks ja mudeli seadustamiseks. Võrrelda, võrrelda ja näidata sobivaid hüperparameetreid kunstlike närvivõrkude koolitamiseks, keskendudes reprodutseeritavusele (üldsusele), läbipaistvusele ja tõlgendamisele. Kasutage süvaõppe raamistikke, et rakendada süvaõppe mudeleid klassifitseerimis- ja või regressiooniülesannete jaoks. See hõlmab suurt keskendumist mudelite hindamisele tulemuslikkuse ja eetiliste kaalutluste seisukohast, mille tulemuseks on läbipaistvus ja selgitatav tehisintellekt. See praktiline nõuab, et töötaksite välja kõige sobivama tehisintellekti mudeli, kus parima üldistamise tagamiseks kasutatakse iga sobivat mudeliarenduse meetodit.
- Õpetus põhineb järgmisel andmekogumil [[1]], kus atribuutide üksikasjad sisalduvad õppematerjalides.
- Juhendaja nõuab järgmisi rubriike. Kui igal rubriigil peaks olema (vajaduse korral) põhjendus ja kirjeldus, mis laiendab lähenemisviisi ja selle tulemusi, siis töö teostav kood ja mõnel juhul visuaalne abi teie leidude täiendavaks täiendamiseks. Rubriikide ja jaotiste puurimiseks kasutage standardset Jupyter märkmiku markeeringut:
- Sissejuhatus
- Andmekogumi avamine, andmete lühiuurimine ja eeltöötlemine
- Mudeli uurimine võrgu topoloogia määramiseks
- Hüperparameetri uurimine (õppeparameetrid ja optimeerimine)
- Kõige sobivam mudelivalik
- Võrguotsing
- Mudeli lõppesitus ja toimivuse hindamine
- Pange tähele, et võrgu otsing võtab aega, nii et see võib olla lõpetatud väljaspool juhendaja aega või juhendaja võib läbi viia flipped klassiruumis kohaletoimetamise režiimis.
Kontuur
| Kestus (Min) | Kirjeldus |
|---|---|
| 10 | Ülevaade praktilistest ja importivatest andmekogumitest koos põhiliste eeltöötlusega |
| 10 | Mudelid topoloogiate uurimiseks |
| 20 | Hüperparameetri uurimine seadustamistehnikatega |
| 10 | Võrguotsing (pange tähele, et see peaks olema eelnevalt tehtud – kas õppejõud või õppurid flipped režiimis, sest see võib võtta palju aega, et käivitada live) |
| 5 | Lõplik näidisarutelu |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.