Hallinnolliset tiedot
| Otsikko | Laillistamistekniikat |
| Kesto | 60 |
| Moduuli | B |
| Oppitunnin tyyppi | Opetusohjelma |
| Keskittyminen | Tekninen – syväoppiminen |
| Aihe | Laillistamistekniikat |
Avainsanoja
Regularization, Callbacks, GridSearch,
Oppimistavoitteet
- Tutustu painon aloittelijoihin
- Tutkia puolueellisuutta
- Levitä pudotus ja melu
- Impliment callbacks
- Suunnittele ja toteuta verkkohaku
- Käytä ei-perinteisiä ylisovitustekniikoita
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Ei mitään.
Pakollinen opiskelijoille
Ei mitään.
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- John D Kelleher ja Brain McNamee. (2018), koneoppimisen perusteet ennakoivaa data-analytiikkaa varten, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Päättäväinen lehdistö, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Syväoppiminen Keras, Packt, [ISBN: 9781787128422].
Suositellaan opettajille
Ei mitään.
Oppituntimateriaalit
Ohjeita opettajille
- Opiskelijoiden odotetaan osoittavan ja soveltavan perustekniikoita/algoritmeja hermoverkkojen ennustamiseen ja koulutukseen, mukaan lukien tutkimukset mallien puolueellisuudesta ja perustuvat mallin laillistamiseen. Vertaillaan, verrataan ja osoitetaan tarkoituksenmukaisia hyperparametreja keinotekoisten hermoverkkojen kouluttamiseksi painottaen toistettavuutta (yleistettävyys), läpinäkyvyyttä ja tulkintaa. Deep Learning Frameworkin avulla voit toteuttaa syväoppimismalleja luokitus- ja regressiotehtäviin. Tähän sisältyy vahva keskittyminen mallien arviointiin, suorituskykyyn ja eettisiin näkökohtiin, mikä johtaa avoimuuteen ja selitettävään tekoälyyn. Tämä käytäntö edellyttää, että kehität sopivimman tekoälymallin, jossa käytetään jokaista sopivaa mallin kehittämiseen soveltuvaa menetelmää parhaan yleistymisen varmistamiseksi.
- Opetusohjelma perustuu seuraavaan aineistoon [[1]], jossa attribuuttien yksityiskohdat sisältyvät oppimateriaaliin.
- Opetusohjelma vaatii seuraavat otsikot. Jos kullakin otsakkeella on (tarvittaessa) perustelut ja kuvaus, joka laajentaa lähestymistapaa ja sen tuloksia, koodi, joka suorittaa työn, ja joissakin tapauksissa visuaalinen apuväline havaintojesi täydentämiseksi. Käytä Jupyter-muistikirjan merkintää, jos haluat lisätä otsikoita ja osioita:
- Johdanto
- Aineiston avaaminen, lyhyen tiedon etsintä ja tietojen esikäsittely
- Mallin etsintä verkon topologian määrittämiseksi
- Hyperparametritutkimus (oppimisparametrit ja optimointi)
- Sopivin mallivalinta
- Ruudukkohaku
- Lopullinen malliesitys ja suorituskyvyn arviointi
- Huomaa, että ruudukkohaku kestää jonkin aikaa, joten tämä voidaan suorittaa opetusohjelman ajan ulkopuolella tai opetusohjelma voidaan suorittaa käännetyssä luokkahuoneessa toimitustilassa.
Hahmotella
| Kesto (Min) | Kuvaus |
|---|---|
| 10 | Yleiskuva käytännön tietoaineistoista ja perusesikäsittelyä tuovista tietokokonaisuuksista |
| 10 | Malleja topologioiden tutkimiseen |
| 20 | Hyperparametritutkimus laillistamistekniikoilla |
| 10 | Ruudukkohaku (huomaa, että tämä on tehtävä etukäteen – joko luennoitsija tai opiskelijat käännetyssä tilassa, koska se voi kestää paljon aikaa elää) |
| 5 | Lopullinen mallikeskustelu |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).