Administrativ information
| Titel | Metoder för reglering |
| Varaktighet | 60 |
| Modul | B |
| Typ av lektion | Handledning |
| Fokus | Tekniskt – Djupt lärande |
| Ämne | Metoder för reglering |
Nyckelord
Legalisering, callbacks, GridSearch,
Lärandemål
- Undersök viktinitizers
- Undersöka partiskhet
- Applicera dropout och buller
- Impliment callbacks
- Undertsand och implementera en GridSearch
- Tillämpa icke-traditionella övermonteringstekniker
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Ingen.
Obligatoriskt för studenter
Ingen.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- John D Kelleher och Brain McNamee. (2018), Grundläggande maskininlärning för prediktiv dataanalys, MIT Press.
- Michael Nielsen. (2015), Neurala nätverk och djupt lärande, 1. Beslutande press, San Francisco CA USA.
- Charu C. Aggarwal. (2018), Neurala nätverk och djupt lärande, 1. Springer
- Antonio Gulli och Sujit Pal. Djupinlärning med Keras, Packt, [ISBN: 9781787128422].
Rekommenderas för lärare
Ingen.
Lektionsmaterial
Instruktioner för lärare
- Studenterna förväntas demonstrera och tillämpa grundläggande tekniker/algoritmer för förutsägelse och utbildning av neurala nätverk, inklusive undersökningar för modellbias och baserad på modellreglering. Jämföra, kontrastera och visa lämpliga hyperparametrar för utbildning av artificiella neurala nätverk med tonvikt på reproducerbarhet (generaliserbarhet), öppenhet och tolkning. Använd djupinlärningsramar för att implementera Deep Learning-modeller för klassificering och eller regressionsuppgifter. Detta inbegriper ett starkt fokus på utvärdering av modellerna, för prestanda och etiska överväganden, vilket resulterar i transparens och förklarande AI. Detta kräver att du utvecklar den mest lämpliga AI-modellen, där varje lämplig metod för modellutveckling används för att säkerställa bästa generalisering.
- Handledningen baseras på följande dataset [[1]] där detaljer om attribut finns i lektionsmaterialen.
- Handledningen kommer att kräva följande rubriker. Där varje rubrik bör ha (i förekommande fall) en motivering och beskrivning som utvidgar tillvägagångssättet och dess resultat, kod som utför arbetet och i vissa fall ett visuellt hjälpmedel för att ytterligare förvärra dina resultat. Använd standard Jupyter anteckningsbok markdown, för att kassera rubriker och sektioner:
- Inledning
- Öppna datauppsättningen, korta dataprospektering och förbehandling av data
- Modellprospektering för att bestämma nätverkstopologi
- Hyperparameterundersökning (inlärningsparametrar och optimering)
- Lämpligaste modellurval
- Rutnätssökning
- Slutlig modellpresentation och prestationsutvärdering
- Observera att rutnätssökningen tar lite tid, så detta kan slutföras utanför handledningstiden eller handledningen kan genomföras i ett flippat klassrumsläge för leverans.
Konturer
| Varaktighet (min) | Beskrivning |
|---|---|
| 10 | Ge en översikt över de praktiska och importerande datauppsättningarna med grundläggande förbehandling |
| 10 | Modeller för att utforska topologier |
| 20 | Hyperparameterundersökning med legaliseringstekniker |
| 10 | Rutnätssökning (observera att detta bör göras – antingen av lärare eller studenter i flippat läge eftersom det kan ta betydande tid att köra live) |
| 5 | Slutdiskussion om modell |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.