Informații administrative
| Titlu | Tehnici de regularizare |
| Durată | 60 |
| Modulul | B |
| Tipul lecției | Tutorial |
| Focalizare | Tehnică – Învățare profundă |
| Subiect | Tehnici de regularizare |
Cuvinte cheie
Regularizare, Callbacks, GridSearch,
Obiective de învățare
- Examinați inițialele de greutate
- Investigarea prejudecăților
- Aplicați abandonul și zgomotul
- Apeluri de impliment
- Subtsand și să pună în aplicare o GridSearch
- Aplică tehnici netraditionale de supraadaptare
Pregătirea preconizată
Evenimente de învățare care urmează să fie finalizate înainte
Nici unul.
Obligatoriu pentru studenți
Nici unul.
Opțional pentru studenți
Nici unul.
Referințe și context pentru studenți
- John D Kelleher și Brain McNamee. (2018), Fundamentals of Machine Learning for Predictive Data Analytics, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning (Rețele neuronale și învățare profundă), 1. Presa de determinare, San Francisco CA SUA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning (Rețele neuronale și învățare profundă), 1. Springer
- Antonio Gulli, Sujit Pal. Deep Learning cu Keras, Packt, [ISBN: 9781787128422].
Recomandat pentru profesori
Nici unul.
Materiale de lecție
Instrucțiuni pentru profesori
- Elevii vor fi de așteptat să demonstreze și să aplice tehnici fundamentale/algoritmi pentru predicția și formarea rețelelor neuronale, inclusiv investigații pentru părtinirea modelului și bazate pe regularizarea modelului. Comparați, contrastați și demonstrați hiperparametrii adecvați pentru formarea rețelelor neuronale artificiale, cu accent pe reproductibilitate (generalizare), transparență și interpretare. Utilizați cadre de învățare profundă pentru a implementa modele de învățare profundă pentru sarcini de clasificare și sau de regresie. Aceasta include un accent puternic pe evaluarea modelelor, în ceea ce privește aspectele legate de performanță și de etică, ceea ce duce la transparență și IA explicabilă. Acest lucru practic necesită dezvoltarea celui mai potrivit model AI, unde fiecare metodă adecvată pentru dezvoltarea modelului să fie utilizată pentru a asigura cea mai bună generalizare.
- Tutorialul se bazează pe următorul set de date [[1]] în care detaliile atributelor sunt conținute în materialele de lecție.
- Tutorialul va necesita următoarele rubrici. În cazul în care fiecare rubrică ar trebui să aibă (dacă este cazul) o justificare și o descriere care să extindă abordarea și constatările sale, codul care execută lucrarea și, în unele cazuri, un ajutor vizual pentru a vă compune în continuare constatările. Utilizați marcarea standard a notebook-ului Jupyter, pentru titlurile și secțiunile lăzilor:
- Introducere
- Deschiderea setului de date, explorarea succintă a datelor și preprocesarea datelor
- Explorarea modelului pentru a determina topologia rețelei
- Investigarea hiperparametrului (parametri de învățare și optimizare)
- Cea mai adecvată selecție de modele
- Căutare grilă
- Prezentarea modelului final și evaluarea performanței
- Vă rugăm să rețineți că căutarea în grilă va dura ceva timp, astfel încât acest lucru poate fi finalizat în afara timpului tutorialului sau tutorialul poate fi realizat într-un mod de livrare flipped.
Contur
| Durată (min) | Descriere |
|---|---|
| 10 | Furnizarea unei imagini de ansamblu a seturilor de date practice și de import cu preprelucrarea de bază |
| 10 | Modele pentru a explora topologii |
| 20 | Investigarea hiperparametrului cu tehnici de regularizare |
| 10 | Căutare grilă (rețineți că acest lucru trebuie făcut în prealabil – fie de către lector sau de către studenți în modul flipped, deoarece poate dura mult timp pentru a rula în direct) |
| 5 | Dezbatere privind modelul final |
Confirmări
Programul de masterat AI centrat pe om a fost cofinantat de Mecanismul pentru interconectarea Europei al Uniunii Europene sub Grantul CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.