Schulungsübersicht
TAG 1 - KÜNSTLICHE NEURONALE NETZE
Einführung und Struktur künstlicher neuronaler Netze.
- Biologische und künstliche Neuronen.
- Modell eines künstlichen neuronalen Netzes.
- Aktivierungsfunktionen in künstlichen neuronalen Netzen.
- Typische Klassen von Netzwerkarchitekturen.
Mathematische Grundlagen und Lernmechanismen.
- Wiederholung der Vektor- und Matrixrechnung.
- Begriffe des Zustandsraums.
- Grundlagen der Optimierung.
- Lernen durch Fehlerkorrektur.
- Speicherbasiertes Lernen.
- Hebbisches Lernen.
- Kompetitives Lernen.
Einschichtige Perzeptrons.
- Struktur und Lernen von Perzeptronen.
- Musterklassifikation – Einführung und Bayes-Klassifizierer.
- Perzeptron als Musterklassifizierer.
- Konvergenz des Perzeptrons.
- Grenzen des Perzeptrons.
Feedforward-Netze.
- Strukturen mehrschichtiger Feedforward-Netze.
- Backpropagation-Algorithmus.
- Backpropagation – Training und Konvergenz.
- Funktionsapproximation mit Backpropagation.
- Praktische und gestalterische Aspekte des Lernens mit Backpropagation.
Radiale Basisfunktionsnetze.
- Musterseparierbarkeit und Interpolation.
- Theorie der Regularisierung.
- Regularisierung und Radiale Basisfunktionsnetze.
- Design und Training von Radialen Basisfunktionsnetzen.
- Approximationsigenschaften von Radialen Basisfunktionsnetzen.
Kompetitives Lernen und selbstorganisierende neuronale Netze.
- Allgemeine Clusterverfahren.
- Lernvektorquantisierung (LVQ).
- Algorithmen und Architekturen des kompetitiven Lernens.
- Selbstorganisierende Merkmalskarten.
- Eigenschaften von Merkmalskarten.
Fuzzy-Neuronale Netze.
- Neuro-Fuzzy-Systeme.
- Grundlagen der Fuzzy-Mengen- und Fuzzy-Logik.
- Entwurf von Fuzzy-Systemen.
- Entwurf von Fuzzy-Neuronale-Netzen.
Anwendungen
- Es werden mehrere Beispiele von Anwendungen neuronaler Netze sowie deren Vorteile und Probleme diskutiert.
TAG 2 - MASCHINELLES LERNEN
- Das PAC-Lernrahmenwerk
- Garantien für endliche Hypothese-Ensembles – konsistenter Fall
- Garantien für endliche Hypothese-Ensembles – inkonsistenter Fall
- Allgemeine Aspekte
- Deterministische und stochastische Szenarien
- Bayes-Fehlerrauschen
- Estimations- und Approximationsfehler
- Modellauswahl
- Rademacher-Komplexität und VC-Dimension
- Trade-off zwischen Bias und Varianz
- Regularisierung
- Overfitting
- Validierung
- Support Vector Machines
- Kriging (Gauß-Prozess-Regression)
- Hauptkomponentenanalyse (PCA) und Kern-PDA (Kernel PCA)
- Selbstorganisierende Karten (SOM)
- Kerninduzierter Vektorraum
- Mercer-Kerne und kerninduzierte Ähnlichkeitsmaße
- Bestärkendes Lernen
TAG 3 - DEEP LEARNING
Dieser Teil wird im Zusammenhang mit den Themen der Tage 1 und 2 gelehrt
- Logistische Regression und Softmax-Regression
- Sparse Autoencoders
- Vektorisierung, PCA und Whitening
- Self-Taught Learning
- Tiefe Netze
- Lineare Dekoder
- Konvolution und Pooling
- Spärliche Kodierung
- Unabhängige Komponentenanalyse
- Canonische Korrelationsanalyse
- Demos und Anwendungen
Voraussetzungen
Gute Kenntnisse in Mathematik.
Gute Grundlagen in Statistik.
Grundlegende Programmierkenntnisse sind nicht erforderlich, werden aber empfohlen.
Erfahrungsberichte (2)
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
