Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Kurset er delt inn i tre forskjellige dager, den tredje er valgfritt.
Dag 1 - Machine Learning & Deep Learning: teoretiske begreper
1. AI-introduksjon, Machine Learning og Deep Learning
- Historie, grunnleggende konsepter og vanlige anvendelser av kunstig intelligens langt fra fantasiene som bæres av dette feltet
- Kollektiv intelligens: samlet kunnskap som deles av en rekke virtuelle agenter
- Genetiske algoritmer: utvikle en populasjon av virtuelle agenter ved seleksjon
- Machine Learning vanlig: definisjon.
- Typer oppgaver: veiledet læring, uovervåket læring, forsterkende læring
- Typer handlinger: klassifisering, regresjon, gruppering, tetthetsestimering, dimensjonalitetsreduksjon
- Eksempler på algoritmer Machine Learning: Lineær regresjon, Naive Bayes, Random Tree
- Maskinlæring VS Deep Learning: problemer som Machine Learning fortsatt er på topp i dag (Random Forests & XGBoosts)
2. Grunnleggende konsepter for et nevralt nettverk (Anvendelse: flerlags perceptron)
- Påminnelse om matematisk grunnleggende.
- Definisjon av et nevralt nettverk: klassisk arkitektur, aktiverings- og vektingsfunksjoner for tidligere aktiveringer, dybden til et nettverk
- Definisjon av å lære et nevralt nettverk: kostnadsfunksjoner, tilbake-propagering, stokastisk gradientnedstigning, maksimal sannsynlighet.
- Modellering av et nevralt nettverk: modellering av input og output data i henhold til type problem (regresjon, klassifisering, etc.). Dimensjonalitetens forbannelse. Skille mellom multifunksjonsdata og signal. Valg av kostnadsfunksjon i henhold til dataene.
- Tilnærme en funksjon ved hjelp av et nevralt nettverk: presentasjon og eksempler
- Tilnærming til en distribusjon ved hjelp av et nevralt nettverk: presentasjon og eksempler
- Dataforsterkning: hvordan balansere et datasett
- Generalisering av resultatene av et nevralt nettverk.
- Initialiseringer og regulariseringer av et nevralt nettverk: L1/L2-regularisering, Batch-normalisering...
- Optimaliseringer og konvergensalgoritmer.
3. Vanlige ML/DL-verktøy
Det legges opp til en enkel presentasjon med fordeler, ulemper, plassering i økosystemet og bruk.
- Databehandlingsverktøy: Apache Spark, Apache Hadoop
- Vanlige verktøy Machine Learning: Numpy, Scipy, Sci-kit
- DL-rammeverk på høyt nivå: PyTorch, Keras, Lasagne
- DL-rammeverk på lavt nivå: Theano, Torch, Caffe, Tensorflow
Dag 2 – Konvolusjonelle og tilbakevendende nettverk
4. Konvolusjonell Neural Networks (CNN).
- Presentasjon av CNN: grunnleggende prinsipper og anvendelser
- Grunnleggende funksjon av et CNN: konvolusjonslag, bruk av en kjerne, polstring og skritt, generering av funksjonskart, "pooling" type lag. 1D, 2D og 3D utvidelser.
- Presentasjon av de forskjellige CNN-arkitekturene som har brakt toppmoderne til bildeklassifisering: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentasjon av innovasjonene fra hver arkitektur og deres mer globale applikasjoner (1x1 Convolution eller restforbindelser)
- Bruk av oppmerksomhetsmodell.
- Applikasjon til et vanlig klassifiseringsscenario (tekst eller bilde)
- CNN-er for generering: superoppløsning, piksel-for-piksel segmentering. Presentasjon av hovedstrategiene for å utvide funksjonskart for å generere et bilde.
5. Tilbakevendende Neural Networks (RNN).
- Presentasjon av RNN: grunnleggende prinsipper og anvendelser.
- Grunnleggende drift av RNN: skjult aktivering, forplantning tilbake gjennom tiden, utfoldet versjon.
- Utvikling mot GRU (Gated Recurrent Units) og LSTM (Long Short Term Memory). Presentasjon av de forskjellige statene og utviklingen forårsaket av disse arkitekturene
- Konvergens og forsvinnende gradientproblemer
- Typer klassiske arkitekturer: Prediksjon av en tidsserie, klassifisering...
- RNN Encoder Dekoder type arkitektur. Bruke en oppmerksomhetsmodell.
- NLP-applikasjoner: ord-/tegnkoding, oversettelse.
- Videoapplikasjoner: prediksjon av det neste genererte bildet av en videosekvens.
Dag 3 – Generasjonsmodeller og Reinforcement Learning
6. Generasjonsmodeller: Variational AutoEncoder (VAE) og Generative Adversarial Networks (GAN).
- Presentasjon av generasjonsmodeller, kobling til CNN sett på dag 2
- Auto-encode: reduksjon av dimensjonalitet og begrenset generering
- Variational Auto-encoder: generasjonsmodell og tilnærming av distribusjon av data. Definisjon og bruk av latent rom. Reparameteriseringstriks. Søknader og observerte grenser
- Generative kontradiktoriske nettverk: grunnleggende prinsipper. To-nettverksarkitektur (generator og diskriminator) med alternerende læring, kostnadsfunksjoner tilgjengelig.
- Konvergens av en GAN og vanskeligheter.
- Forbedret konvergens: Wasserstein GAN, BeGAN. Jordflytteavstand.
- Applikasjoner for å generere bilder eller fotografier, generere tekst, super
Vedtak.
7.DypReinforcement Learning.
- Presentasjon av forsterkende læring: kontroll av en agent i et miljø definert av en stat og mulige handlinger
- Bruke et nevralt nettverk for å tilnærme tilstandsfunksjonen
- Deep Q Learning: opplev replay og applikasjon til kontroll av et videospill.
- Optimaliseringer av læringspolitikken. On-policy && off-policy. Skuespillerkritisk arkitektur. A3C.
- Applikasjoner: kontroll av et enkelt videospill eller et digitalt system.
Krav
Ingeniørnivå
21 timer
