Schulungsübersicht
TAG 1 – KÜNSTLICHE NEURONALE NETZWERKE
Einführung und ANN-Struktur.
- Biologische Neuronen und künstliche Neuronen. Modell eines ANN. In ANNs verwendete Aktivierungsfunktionen. Typische Klassen von Netzwerkarchitekturen.
Mathematical Grundlagen und Lernmechanismen.
- Erneuter Blick auf die Vektor- und Matrixalgebra. Zustandsraumkonzepte. Konzepte der Optimierung. Fehlerkorrekturlernen. Gedächtnisbasiertes Lernen. Hebräisches Lernen. Wettbewerbsfähiges Lernen.
Einschichtige Perzeptrone.
- Struktur und Lernen von Perzeptronen. Musterklassifikator – Einführung und Bayes-Klassifikatoren. Perzeptron als Musterklassifikator. Perzeptron-Konvergenz. Einschränkungen eines Perzeptrons.
Feedforward-ANN.
- Strukturen mehrschichtiger Feedforward-Netzwerke. Back-Propagation-Algorithmus. Rückausbreitung – Training und Konvergenz. Funktionelle Näherung mit Rückpropagation. Praktische und gestalterische Fragen des Backpropagation-Lernens.
Radiale Basisfunktionsnetzwerke.
- Mustertrennbarkeit und Interpolation. Regularisierungstheorie. Regularisierung und RBF-Netzwerke. RBF-Netzwerkdesign und -Schulung. Näherungseigenschaften von RBF.
Wettbewerbsfähiges Lernen und selbstorganisierende KNN.
- Allgemeine Clustering-Verfahren. Lernvektorquantisierung (LVQ). Wettbewerbsfähige Lernalgorithmen und -architekturen. Selbstorganisierende Feature-Maps. Eigenschaften von Feature-Maps.
Unscharf Neural Networks.
- Neuro-Fuzzy-Systeme. Hintergrund von Fuzzy-Sets und Logik. Design von Fuzzy-Stielen. Design von Fuzzy-ANNs.
Anwendungen
- Es werden einige Beispiele für Anwendungen neuronaler Netze sowie deren Vorteile und Probleme besprochen.
TAG -2 MASCHINELLES LERNEN
- Das PAC Learning Framework Garantien für endliche Hypothesensätze – konsistenter Fall Garantien für endliche Hypothesensätze – inkonsistenter Fall Allgemeines Deterministischer Lebenslauf. Stochastische Szenarien Bayes-Fehlerrauschen Schätz- und Approximationsfehler Modellauswahl
Voraussetzungen
Gute Kenntnisse in Mathematik.
Good Verständnis der grundlegenden Statistik.
Grundlegende Programmierkenntnisse sind nicht erforderlich, werden aber empfohlen.
Erfahrungsberichte (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
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.