Informazzjoni Amministrattiva
| Titlu | Tekniki ta’ regolarizzazzjoni |
| Tul ta’ żmien | 60 |
| Modulu | B |
| Tip ta’ lezzjoni | Tutorja |
| Fokus | Tekniku — Tagħlim Profond |
| Suġġett | Tekniki ta’ regolarizzazzjoni |
Kliem prinċipali
Regolarizzazzjoni, Callbacks, GridSearch,
Għanijiet ta’ Tagħlim
- Eżamina l-inizjalizzaturi tal-piż
- Investigazzjoni tal-preġudizzju
- Applika t-tluq bikri mill-iskola u l-istorbju
- Sejħiet lura ta’ impulsi
- Undertsand u l-implimentazzjoni ta ‘GridSearch
- Applikazzjoni ta’ tekniki ta’ tagħmir żejjed mhux tradizzjonali
Preparazzjoni mistennija
Avvenimenti ta’ Tagħlim li għandhom jiġu Mlestija Qabel
Xejn.
Obbligatorju għall-Istudenti
Xejn.
Fakultattiv għall-Istudenti
Xejn.
Referenzi u sfond għall-istudenti
- John D Kelleher u Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Netwerks Neurali u Tagħlim Deep, 1. Stampa ta’ determinazzjoni, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Networks Neural u Tagħlim Profond, 1. Springer
- Antonio Gulli, Sujit Pal. Tagħlim fil-fond ma’ Keras, Packt, [ISBN: 9781787128422].
Rakkomandat għall-Għalliema
Xejn.
Materjali tal-lezzjoni
Struzzjonijiet għall-Għalliema
- l-istudenti se jkunu mistennija juru u japplikaw tekniki/algoritmi fundamentali għat-tbassir u t-taħriġ ta’ netwerks newrali, inklużi investigazzjonijiet għal preġudizzji mudell u bbażati fuq ir-regolarizzazzjoni tal-mudell. Qabbel, tikkuntrasta u turi iperparametri xierqa għat-taħriġ ta’ netwerks newrali artifiċjali b’enfasi fuq ir-riproduċibbiltà (ġenerabbiltà), it-trasparenza u l-interpretazzjoni. Uża oqfsa ta’ Tagħlim Profond biex timplimenta mudelli ta’ Tagħlim Profond għall-kompiti ta’ klassifikazzjoni u jew ta’ rigressjoni. Dan jinkludi enfasi qawwija fuq l-evalwazzjoni tal-mudelli, għal kunsiderazzjonijiet ta’ prestazzjoni u etiċi, li jirriżultaw fi trasparenza u f’IA spjegata. Dan jeħtieġlek tiżviluppa l-aktar mudell xieraq tal-IA, fejn jintuża kull metodu xieraq għall-iżvilupp tal-mudell biex tiġi żgurata l-aħjar ġeneralizzazzjoni.
- It-tutorja hija bbażata fuq is-sett ta’ data li ġej [[1]] fejn id-dettalji tal-attributi jinsabu fil-materjali tal-lezzjoni.
- It-tutorja se teħtieġ l-intestaturi li ġejjin. Fejn kull intestatura għandu jkollha (fejn xieraq) raġunament u deskrizzjoni li jespandu l-approċċ u s-sejbiet tiegħu, il-kodiċi li tesegwixxi x-xogħol, u f’xi każijiet għajnuna viżwali biex tkompli tikkomposta s-sejbiet tiegħek. Uża l-markdown standard tal-Jupyter notebook, biex tiġbor l-intestaturi u s-sezzjonijiet:
- Introduzzjoni
- Il-ftuħ tas-sett tad-data, l-esplorazzjoni tad-data qasira u l-ipproċessar minn qabel tad-data
- Mudell esplorazzjoni biex jiddeterminaw topoloġija netwerk
- Investigazzjoni tal-iperparametru (parametri tat-tagħlim u ottimizzazzjoni)
- l-aktar għażla xierqa tal-mudell
- Tiftix fil-grilja
- Il-Mudell Finali tal-preżentazzjoni u l-evalwazzjoni tal-prestazzjoni
- Jekk jogħġbok innota li t-tfittxija grid se tieħu xi żmien, għalhekk dan jista ‘jitlesta barra mill-ħin tutorja jew il-tutorja tista’ titwettaq fil-modalità flipped klassi ta ‘kunsinna.
Deskrizzjoni fil-qosor
| Tul ta’ żmien (Min) | Deskrizzjoni |
|---|---|
| 10 | l-għoti ta’ ħarsa ġenerali lejn is-settijiet tad-data prattiċi u tal-importazzjoni bl-ipproċessar minn qabel bażiku |
| 10 | Mudelli għall-esplorazzjoni ta’ topoloġiji |
| 20 | Investigazzjoni tal-iperparametru b’tekniki ta’ regolarizzazzjoni |
| 10 | Grid search (innota dan għandu jsir minn qabel — jew minn lecturer jew studenti fil-modalità flipped kif jista ‘jieħu żmien sinifikanti biex imexxu ħajjin) |
| 5 | Diskussjoni mudell finali |
Rikonoxximenti
Il-programm Masters tal-IA Ċentrata mill-Bniedem ġie kofinanzjat mill-Faċilità Nikkollegaw l-Ewropa tal-Unjoni Ewropea Taħt l-Għotja CEF-TC-2020–1 Ħiliet Diġitali 2020-EU-IA-0068.