Upravne informacije
| Naslov | Tehnike regularizacije |
| Trajanje | 60 |
| Modul | B |
| Vrsta lekcije | Tutorial |
| Osredotočenost | Tehnično – poglobljeno učenje |
| Tema | Tehnike regularizacije |
Ključne besede
Ureditev, klici, GridSearch,
Učni cilji
- Preglejte inicialatorje teže
- Raziščite pristranskost
- Uporaba osipa in hrupa
- Implimentni klici
- Podcenjevanje in izvajanje GridSearch
- Uporaba netradicionalnih tehnik prekomernega opremljanja
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Nobenega.
Obvezno za študente
Nobenega.
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
- John D Kelleher in Brain McNamee. (2018), Osnove strojnega učenja za napovedno podatkovno analitiko, MIT Press.
- Michael Nielsen. (2015), Neural Networks and Deep Learning, 1. Odločni tisk, San Francisco CA ZDA.
- Charu C. Aggarwal. (2018), Neural Networks and Deep Learning, 1. Springer
- Antonio Gulli, Sujit Pal. Globoko učenje s Kerasom, Packt, [ISBN: 9781787128422].
Priporočeno za učitelje
Nobenega.
Gradivo za učne ure
Navodila za učitelje
- Od študentov se pričakuje, da bodo pokazali in uporabili temeljne tehnike/algoritme za napovedovanje in usposabljanje nevronskih mrež, vključno s preiskavami za pristranskost modela in temelji na ureditvi modela. Primerjava, kontrast in prikaz ustreznih hiperparametrov za usposabljanje umetnih nevronskih mrež s poudarkom na ponovljivosti (splošnost), preglednosti in interpretaciji. Uporabite okvire za poglobljeno učenje za izvajanje modelov poglobljenega učenja za klasifikacijske in regresijske naloge. To vključuje močan poudarek na ocenjevanju modelov, pri čemer je treba upoštevati učinkovitost in etične vidike, kar pomeni preglednost in razložljivo umetno inteligenco. Ta praktičnost zahteva, da razvijete najprimernejši model umetne inteligence, kjer se uporablja vsaka primerna metoda za razvoj modela, da se zagotovi najboljša posplošitev.
- Vadnica temelji na naslednjem naboru podatkov [[1]], kjer so podrobnosti o atributih vsebovane v učnem gradivu.
- Tutorial bo zahteval naslednje naslove. Kjer mora imeti vsak naslov (kjer je to primerno) utemeljitev in opis, ki razširja pristop in njegove ugotovitve, kodo, ki izvaja delo, in v nekaterih primerih vizualni pripomoček za nadaljnjo dopolnitev vaših ugotovitev. Uporabite standardni Jupyter notedown za naslove in odseke zaboja:
- Uvod
- Odprtje nabora podatkov, kratko raziskovanje in predhodna obdelava podatkov
- Raziskovanje modela za določitev topologije omrežja
- Raziskava hiperparametrov (učni parametri in optimizacija)
- Najustreznejša izbira modela
- Iskanje mreže
- Končna predstavitev modela in ocena učinkovitosti
- Upoštevajte, da bo iskanje mreže trajalo nekaj časa, zato se lahko to izvede zunaj časa vadnice ali pa se vadnica lahko izvede v načinu dostave v razredu.
Obris
| Trajanje (mini) | Opis |
|---|---|
| 10 | Zagotavljanje pregleda praktičnih in uvoznih podatkovnih nizov z osnovno predobdelavo |
| 10 | Modeli za raziskovanje topologij |
| 20 | Preiskava hiperparametrov s tehnikami regularizacije |
| 10 | Iskanje mreže (upoštevajte, da je treba to storiti vnaprej – bodisi s strani predavatelja ali študentov v načinu flipped, saj lahko traja veliko časa za vožnjo v živo) |
| 5 | Končna razprava o modelu |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).