Administrativne informacije
| Naslov | Tehnike reguliranja |
| Trajanje | 60 |
| Modul | B |
| Vrsta lekcija | Udžbenik |
| Fokus | Tehničko – dubinsko učenje |
| Tema | Tehnike reguliranja |
Ključne riječi
Regularizacija, povratni pozivi, GridSearch,
Ciljevi učenja
- Ispitivanje inicijalizatora težine
- Istražite pristranost
- Nanesite odustajanje i buku
- Povratni povratni pozivi
- Undertsand i implementirati GridSearch
- Primjena netradicionalnih tehnika prenamjene
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Nijedan.
Obvezno za studente
Nijedan.
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
- John D Kelleher i Brain McNamee. (2018.), Fundamentals of Machine Learning for Predictive Data Analytics (Osnove strojnog učenja za prediktivnu analizu podataka), MIT Press.
- Michael Nielsen. (2015.), Neuralne mreže i duboko učenje, 1. Resorni tisak, San Francisco CA SAD.
- Charu C. Aggarwal. (2018.), Neuralne mreže i duboko učenje, 1. Springer
- Antonio Gulli, Sujit Pal. Dubinsko učenje s Kerasom, Packtom, [ISBN: 9781787128422].
Preporučeno nastavnicima
Nijedan.
Nastavni materijali
Upute za učitelje
- Od studenata će se očekivati da demonstriraju i primjenjuju temeljne tehnike/algoritme za predviđanje i obuku neuronskih mreža, uključujući istraživanja pristranosti modela i temeljene na regularizaciji modela. Usporediti, usporediti i demonstrirati odgovarajuće hiperparametre za obuku umjetnih neuronskih mreža s naglaskom na ponovljivost (opća mogućnost), transparentnost i tumačenje. Koristite okvire za dubinsko učenje za implementaciju modela dubokog učenja za klasifikacijske i regresijske zadatke. To uključuje snažan naglasak na evaluaciji modela, u pogledu učinkovitosti i etičkih pitanja, što rezultira transparentnošću i objašnjivom umjetnom inteligencijom. To praktično zahtijeva od vas da razvijete najprikladniji model umjetne inteligencije, gdje se koristi svaka prikladna metoda za razvoj modela kako bi se osigurala najbolja generalizacija.
- Vodič se temelji na sljedećem skupu podataka [[1]] gdje su pojedinosti atributa sadržane u nastavnim materijalima.
- Udžbenik će zahtijevati sljedeće naslove. Gdje bi svaki naslov trebao imati (prema potrebi) obrazloženje i opis koji proširuje pristup i njegove nalaze, kod koji izvršava posao, a u nekim slučajevima i vizualnu pomoć kako bi dodatno učvrstio vaše nalaze. Koristiti standardno označavanje prijenosnog računala Jupyter za naslove i odjeljke sanduka:
- Uvod
- Otvaranje skupa podataka, kratko istraživanje i prethodna obrada podataka
- Istraživanje modela za određivanje mrežne topologije
- Istraživanje hiperparametara (parametri učenja i optimizacija)
- Najprikladniji odabir modela
- Pretraživanje mreže
- Završna prezentacija modela i procjena uspješnosti
- Imajte na umu da će pretraživanje mreže potrajati neko vrijeme, tako da to može biti dovršeno izvan vremena udžbenika ili se tutorial može provesti u treperenom načinu isporuke u učionici.
Nacrt
| Trajanje (min) | Opis |
|---|---|
| 10 | Pružanje pregleda praktičnih i uvoznih skupova podataka s osnovnom predobradom |
| 10 | Modeli za istraživanje topologija |
| 20 | Ispitivanje hiperparametara s tehnikama regularizacije |
| 10 | Pretraživanje mreže (napominjemo da bi to trebalo biti unaprijed učinjeno – bilo od strane predavača ili studenata u treperenom načinu rada jer može biti potrebno značajno vrijeme za pokretanje uživo) |
| 5 | Završna rasprava o modelu |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.