Adminisztratív információk
| Cím | Elszámolási technikák |
| Időtartam | 60 |
| Modul | B |
| Lecke típusa | Bemutató |
| Fókusz | Technikai – Mély tanulás |
| Téma | Elszámolási technikák |
Kulcsszó
Rendezés, Visszahívások, GridSearch,
Tanulási célok
- Vizsgálja meg a súly-inicializálókat
- Elfogultság vizsgálata
- Alkalmazza a lemorzsolódást és a zajt
- Impliment visszahívások
- Undertsand és implementálja a GridSearch
- Nem hagyományos túlszerelési technikák alkalmazása
Várható előkészítés
Az előtt befejezendő tanulási események
Egy sem.
Kötelező a diákok számára
Egy sem.
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- John D Kelleher és Brain McNamee. (2018), A gépi tanulás alapjai a prediktív adatelemzéshez, MIT Press.
- Michael Nielsen vagyok. (2015), Neural Networks and Deep Learning, 1. Eltökélt sajtó, San Francisco CA USA.
- Charu C. Aggarwal vagyok. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Mély tanulás Keras, Packt, [ISBN: 9781787128422].
Ajánlott tanároknak
Egy sem.
Leckeanyagok
Utasítások tanároknak
- A hallgatóktól elvárják, hogy demonstrálják és alkalmazzák az alapvető technikákat/algoritmusokat a neurális hálózatok előrejelzéséhez és képzéséhez, beleértve a modell elfogultságának vizsgálatát és a modell regulációján alapuló vizsgálatokat. Hasonlítsa össze, kontrasztosítsa és demonstrálja a mesterséges neurális hálózatok képzéséhez szükséges megfelelő hiperparamétereket, különös tekintettel a reprodukálhatóságra (általánosíthatóságra), az átláthatóságra és az értelmezésre. Használja a Deep Learning keretrendszereket a mélytanulási modellek megvalósításához az osztályozási és a regressziós feladatokhoz. Ez magában foglalja a modellek értékelésére, a teljesítményre és az etikai megfontolásokra való összpontosítást, ami átláthatóságot és megmagyarázható mesterséges intelligenciát eredményez. Ez a gyakorlat megköveteli, hogy kidolgozza a legmegfelelőbb AI modellt, ahol minden megfelelő modellfejlesztési módszert alkalmazni kell a legjobb általánosítás biztosítása érdekében.
- A bemutató a következő adatkészleten [[1]] alapul, ahol az attribútumok részletei megtalálhatók a leckeanyagokban.
- A bemutatóhoz a következő címsorok szükségesek. Ahol minden fejezetnek (adott esetben) rendelkeznie kell egy indoklással és leírással, amely kibővíti a megközelítést és annak megállapításait, a munkát végrehajtó kódot, és bizonyos esetekben vizuális segédeszközt, amely tovább bonyolítja a megállapításokat. Használja a szabványos Jupyter notebook markdown-t a címsorok és szakaszok tárolására:
- Bevezetés
- Adatkészlet megnyitása, rövid adatfeltárás és adatelőfeldolgozás
- Modellkutatás a hálózat topológiájának meghatározására
- Hiperparaméter-vizsgálat (tanulási paraméterek és optimalizálás)
- A legmegfelelőbb modell kiválasztása
- Rácsos keresés
- Végleges modellbemutató és teljesítményértékelés
- Kérjük, vegye figyelembe, hogy a rácsos keresés egy ideig tart, így ez a bemutatón kívül is elvégezhető, vagy a bemutató elvégezhető egy felfordított osztálytermi szállítási módban.
Vázlat
| Időtartam (min) | Leírás |
|---|---|
| 10 | Áttekintést nyújt a gyakorlati és importáló adatkészletekről az alapvető előfeldolgozással |
| 10 | A topológiák felfedezésére szolgáló modellek |
| 20 | Hiperparaméteres vizsgálat regulációs technikákkal |
| 10 | Rácsos keresés (megjegyzendő, hogy ezt előzetesen meg kell tenni – vagy az előadó vagy a diákok flipped módban, mivel jelentős időt vehet igénybe az élő futtatáshoz) |
| 5 | Végleges mintavita |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.