Administratívne informácie
| Názov | Techniky legalizácie |
| Trvanie | 60 |
| Modul | B |
| Druh lekcie | Tutorial |
| Zameranie | Technické – hĺbkové učenie |
| Téma | Techniky legalizácie |
Kľúčové slová
Regularizácia, spätné volanie, GridSearch,
Vzdelávacie ciele
- Preskúmajte inicializátory hmotnosti
- Vyšetrovať zaujatosť
- Použiť dropout a hluk
- Impliment callbacks
- Podstavec a implementácia GridSearch
- Aplikujte netradičné techniky nadstavby
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Žiadne.
Povinné pre študentov
Žiadne.
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
- John D Kelleher a Brain McNamee (2018), Základy strojového učenia pre prediktívnu dátovú analytiku, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning (Neurálne siete a hlboké učenie), 1. Kľúčové slová, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning (Neurálne siete a hlboké učenie), 1. Springer
- Antonio Gulli, Sujit Pal. Hlboké učenie s Keras, Packt, [ISBN: 9781787128422].
Odporúčané pre učiteľov
Žiadne.
Učebné materiály
Pokyny pre učiteľov
- Od študentov sa očakáva, že budú demonštrovať a uplatňovať základné techniky/algoritmy na predpovedanie a školenie neurónových sietí, vrátane skúmania modelovej zaujatosti a založené na modelovej regularizácii. Porovnajte, kontrastujte a demonštrujte vhodné hyperparametre pre tréning umelých neurónových sietí s dôrazom na reprodukovateľnosť (všeobecnosť), transparentnosť a interpretáciu. Použite rámce hlbokého učenia na implementáciu modelov hĺbkového učenia pre klasifikačné a regresné úlohy. To zahŕňa silný dôraz na hodnotenie modelov, z hľadiska výkonnosti a etických aspektov, čo vedie k transparentnosti a vysvetliteľnej umelej inteligencii. Táto praktická vyžaduje, aby ste vyvinuli najvhodnejší model umelej inteligencie, v ktorom sa použije každá vhodná metóda pre vývoj modelov, aby ste zabezpečili čo najlepšiu zovšeobecnenie.
- Návod je založený na nasledujúcom súbore údajov [[1]], kde sú podrobnosti o atribútoch obsiahnuté v materiáloch lekcie.
- Výukový program bude vyžadovať nasledujúce nadpisy. Ak by každá nadpis mala (v prípade potreby) obsahovať odôvodnenie a opis rozširujúci prístup a jeho zistenia, kód, ktorým sa práca vykonáva, a v niektorých prípadoch vizuálna pomôcka na ďalšie zblíženie vašich zistení. Použite štandardné značenie poznámkového bloku Jupyter, do položiek a sekcií prepraviek:
- Úvod
- Otvorenie súboru údajov, stručný prieskum údajov a predbežné spracovanie údajov
- Modelový prieskum na určenie topológie siete
- Prieskum hyperparametra (učenie parametrov a optimalizácia)
- Najvhodnejší výber modelu
- Hľadanie mriežky
- Záverečná prezentácia modelu a hodnotenie výkonu
- Upozorňujeme, že vyhľadávanie mriežky bude nejaký čas trvať, takže to môže byť dokončené mimo tutoriálu alebo výukový program môže byť vykonaný v prevrátenej triede spôsob doručenia.
Obrysy
| Trvanie (Min) | Popis |
|---|---|
| 10 | Poskytovanie prehľadu praktických a importujúcich súborov údajov so základným predbežným spracovaním |
| 10 | Modely na preskúmanie topológií |
| 20 | Vyšetrenie hyperparametrov pomocou techniky regularizácie |
| 10 | Hľadanie mriežky (všimnite si, že by to malo byť vopred vykonané – buď lektorom alebo študentmi v prevrátenom režime, pretože môže trvať značný čas na spustenie naživo) |
| 5 | Záverečná diskusia o modeli |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.